编辑推荐：
法律案件检索（LCR，Legal Case Retrieval）是法律智能研究与实务领域的基础任务。学术界对这一任务的研究起步较早，特别是在神经网络（NNs，Neural Networks）出现后，相关成果不断涌现。然而，现有综述在任务定义的清晰度、方法的覆盖
法律案件检索（LCR，Legal Case Retrieval）是法律智能研究与实务领域的基础任务。学术界对这一任务的研究起步较早，特别是在神经网络（NNs，Neural Networks）出现后，相关成果不断涌现。然而，现有综述在任务定义的清晰度、方法的覆盖广度以及对学术前沿的追踪上仍存在不足。为解决这些问题，本综述聚焦于基于神经网络的方法，从任务定义、方法、数据集与评价指标、典型应用及未来研究方向五个方面对案件检索进行了叙述性回顾。主要贡献包括：提出了完整的案件检索任务数学定义；全面总结了基于神经网络的方法，特别是大语言模型（LLMs，Large Language Models）的成果；系统梳理了现有数据集与评估指标；并对典型应用及未来前景进行了合理分析。
1. 引言
在法律实务中，案件数量极其庞大。为加速法律系统的信息化与透明化，多国将案件在网上公开，给司法人员、律师、公众及研究人员带来了便利。然而，面对海量数据，依赖人工的检索效率低下，利用人工智能工具快速检索与目标相关的案件成为法律智能的关键问题。21世纪初，该领域研究多采用基于规则或统计机器学习的传统方法。随着深度学习与大型语言模型的爆发，检索方法不断扩充，但现有综述存在概念混淆（如未准确区分“案件检索”与“案件匹配”）及未能紧跟前沿的问题。本研究聚焦过去十年基于神经网络的方法，通过关键词在数据库中进行文献检索与筛选，开展进一步的综述。
2. 任务定义
案件检索指用户输入查询，系统经处理、筛选、排序后，从数据库输出符合条件的案件集。其数学定义为已知查询和案件集合，通过检索过程输出结果集。由于神经网络模型具有“黑盒”特征，研究人员近年来关注检索结果的可解释性，要求输出包含匹配理由的证据。任务被分解为三个串行执行的核心阶段：查询改进、案件匹配和排序。查询改进是将原始输入转化为模型更易理解的新查询；案件匹配是计算新查询与各案件的匹配度并输出标签；排序是依据规则对符合条件的案件进行排列并输出。针对查询本身为新案件的特殊情况，任务可细化为基于完整案件匹配、基于案件结构分解以及基于案件关键信息匹配三种定义形式，以更好地适应法律长文本及文档结构化的检索需求。
3. 法律案件检索的方法
3.1. 查询改进的方法
查询改进包含查询理解与转换两步，旨在消除用户意图与机器执行间的障碍并提升专业术语理解力。传统方法多采用循环神经网络（RNNs，Recurrent Neural Networks）、长短期记忆网络（LSTM，Long Short-term Memory）等进行意图分类与重写。随着预训练语言模型（PLMs，Pre-trained Language Models）及大语言模型应用，研究转向处理复杂查询与会话场景。研究人员通过构建法律条款知识本体、利用检索增强生成（RAG，Retrieval-Augmented Generation）框架结合大语言模型，有效提升了长查询与多轮对话场景下系统的鲁棒性与生成质量。
3.2. 案件匹配的方法
案件匹配是核心阶段，旨在理解候选案件语义结构、评估匹配度并筛选合规案件。
3.2.1. 基于语言结构的方法：此类方法利用法律文档独特的层级组织与逻辑要素。部分框架将长文档切分处理，或利用对比学习识别特征句并进行对齐以解释匹配过程；亦有研究将结构信息融入预训练模型，通过设计非对称编码器-解码器架构提取深层法律要素，显著提升了长文本依赖捕获与相似度计算能力。
3.2.2. 基于图结构的方法：此方法聚焦挖掘案件间及案件与法条间的显式引用与隐含语义联系。通过图神经网络（GNNs，Graph Neural Networks）构建包含案件与规则的异构图，将其转化为子图对齐问题以提取基础原则；或引入知识图谱（KGs，Knowledge Graphs）及全局案件图，利用动态路由交互与全局骨架编码增强节点表征学习能力。
3.2.3. 基于大语言模型的方法：针对复杂文本及少样本场景，研究通过模型微调与知识增强两种范式优化匹配性能。通过无监督预训练框架学习领域相关性匹配模式；或引入因果学习框架整合法条信息实现知识增强，以及引入法律事实与关系三元组进行法律逻辑推理，从而在零样本与少样本任务中表现优异。
3.2.4. 匹配过程的可解释性：解释检索结果的方法主要包括基于案件陈述或法条的特征对齐、基于图结构关联的解释，以及依赖法律逻辑推理的建模。此外，也有研究人员尝试利用大语言模型直接参与相关性判别与解释文本生成，在少样本场景中展现出较好性能。
3.3. 排序的方法
排序阶段负责将匹配出的候选案件依规则排布为最终输出序列。代表性方法包括基于Pointwise、Pairwise和Listwise的机器学习排序模型。近年来，基于预训练模型的重排序被广泛应用，如利用摘要评估代替长文本评估，或利用注意力机制确定截断位置以保留关键细节信息。也有研究尝试引入脑电信号等生理反馈作为系统评价准则。但总体而言，由于排序对最终检索准确度影响有限，随着大语言模型的普及，其已逐渐从独立研究热点转变为结果展示的常规算法。
3.4. 上述方法小结
查询改进作为前置步骤，其复杂查询能力已由传统网络转向大语言模型与知识增强主导。案件匹配是核心领域，围绕语言与图结构展开深度挖掘，大语言模型在特殊场景下表现突出。而排序作为必需环节虽目前针对性研究较少，但其重要性不容忽视。
4. 数据集与评价指标
4.1. 数据集：法律案件数据集主要源于官方公开文件、评测赛事及独立研究者构建三类。主流数据集具备数据权威、格式多样（如查询-候选、问答）、数据量跨度大、多聚焦刑法民法领域且以中文为主等特点。跨法系与跨语言数据集目前仍处于起步阶段。
4.2. 评价指标：评价主要解决判定检索一致性（本质为分类问题）及输出排序验证（本质为排序问题）两类任务。常用的分类与排序评价指标被系统梳理整合，用于客观量化模型表现的精度与排序质量。
5. 典型应用
案件检索旨在支撑学术研究并提升司法实务效率。在案件处理全流程中，检索技术被应用于案件审查辅助审查事实、诉讼策略辅助、量刑辅助参考历史相似判例以及结案归档辅助规范材料。在学术界，法律判决预测（LJP，Legal Judgment Prediction）是典型的案审辅助应用，旨在基于事实预测相关法条、罪名与刑期。其方法论大量迁移自案件检索技术，涵盖多任务学习、预训练微调与少样本学习，并与法律知识图谱深度融合以提升决策的推理与解释能力。
6. 未来展望
基于现状，研究提出五个前景方向：强调排序阶段研究，通过引入外部神经机制与多指标综合评价取代单指标排序；在可解释性上平衡传统方法的可靠性与大语言模型生成的高效性以抑制幻觉；向多模态数据检索拓展，整合图文、音视频证据；推进跨语言与跨法系的案件检索，适配不同国家的判决规则与文本风格；实现通用领域向垂直领域（如纪检监察、海洋维权）的迁移，以促进法律人工智能在特定专业领域的智能化发展。
7. 结论
该综述系统阐述了法律案件检索的数学定义与阶段模型，对不同检索阶段的方法、数据集与评估指标进行了回顾，并介绍了实务应用场景与法律判决预测任务。尽管大语言模型推动了任务多样化，基础神经网络方法仍是自然语言处理（NLP，Natural Language Processing）技术的基石。大语言模型驱动的检索研究尚处初期，具有广阔探索空间。
