特色应用
CECRA支持法律案例检索系统中的细粒度候选重排序，特别在全局语义表示不足以区分候选案例、需要局部事实证据和推理证据时适用。该方法旨在辅助法律专业人士进行案例检索和排序，而非自动做出司法裁决。
摘要
法律案例检索需要从冗长的司法文书中基于事实和法律的相似性识别相关案例。现有方法通常通过全局语义表示来匹配案例。当候选案例语义相似时，全局表示可能无法充分表征具有区分力的事实细节和司法推理。我们提出CECRA，一种结构化证据感知的重排序方法，该方法使用Qwen3-32B离线构建摘要（Summary）、事实证据（Fact Evidence）和推理证据（Reasoning Evidence）。CECRA通过有效性掩码的槽位级局部交互，将全局摘要匹配与固定的、与罪名无关的事实证据和推理证据相结合；一致性（Agreement）作为次要匹配组件，辅以辅助监督。在LeCaRDv2的固定候选池评估协议下，三种随机种子的平均平均精度（MAP）分别为：CECRA为72.95，微调后的SAILER（SAILER-FT）为70.72，KELLER为67.32。同时移除两种局部视图及其相关的一致性计算，MAP下降了2.24个百分点，这与结构化局部证据的贡献一致，但未能分离出一致性的独立效应。成对诊断显示，全局语义相似但局部证据不同的候选案例获得了最大的提升。这些结果表明，局部结构化证据可以补充案例级语义表示，以区分高度相似的候选案例。
