Legal2LogicICL：通过多样化的少样本学习提高将法律案例转化为逻辑公式的泛化能力

这项工作旨在通过使用 LLM 将 NLP 的最新进展与法律领域自适应小样本学习技术相结合，提高基于逻辑的法律推理系统的泛化能力。现有的基于逻辑的法律推理管道通常依赖于微调模型将自然语言法律案例映射为逻辑公式，然后再将其转发给符号推理器。然而，此类方法受到高质量带注释训练数据稀缺的严重限制。为了解决这一限制，我们提出了一种新颖的基于 LLM 的法律推理框架，该框架可以通过检索增强生成实现有效的上下文学习。具体来说，我们引入了 Legal2LogicICL，这是一个小样本检索框架，可以在潜在语义表示级别和法律文本结构级别上平衡样本的多样性和相似性。此外，我们的方法通过减轻法律文本中实体引起的检索偏差来明确解释法律结构，其中冗长且高度具体的实体提及通常主导语义表示并模糊具有法律意义的推理模式。我们的 Legal2LogicICL 构建了信息丰富且强大的小样本演示，无需额外训练即可生成准确且稳定的逻辑规则。此外，我们构建了一个新的数据集，名为Legal2Proleg，它用法律案例和PROLEG逻辑公式之间的对齐进行注释，以支持法律语义解析的评估。开源和专有 LLM 的实验结果表明，我们的方法在将自然语言法律案例描述转换为逻辑表示方面显着提高了准确性、稳定性和泛化性，突出了其可解释和可靠的法律推理的有效性。我们的代码可在 https://github.com/yingjie7/Legal2LogicICL 获取。