Enhancing Legal Document Retrieval: A Multi-Phase Approach with Large Language Models

本文是LLM系列文章，针对《Enhancing Legal Document Retrieval: A Multi-Phase Approach with
Large Language Models》的翻译。

摘要

具有数十亿参数的大型语言模型，如GPT-3.5、GPT-4和LLaMA，越来越普遍。许多研究已经探索了有效的提示技术，以利用这些LLM的力量解决各种研究问题。检索，特别是在法律数据领域，由于法律文章的数量大、长度长，对提示技术的直接应用构成了一项具有挑战性的任务。这项研究的重点是最大限度地发挥提示的潜力，将其作为检索系统的最后阶段，在此之前支持两个阶段：BM25预排名和基于BERT的重新排名。在COLIEE 2023数据集上的实验表明，将LLM上的提示技术集成到检索系统中显著提高了检索精度。然而，错误分析揭示了检索系统中存在的几个仍然需要解决的问题。

1 引言

2 相关工作

3 提示支持的检索管道

4 实验和结果

5 结论

构建三阶段查询系统的实验表明，如果明智地实施和使用，结合提示技术的大型语言模型可以充分利用，提高搜索过程的准确性和召回率。同时，分析查询系统错误继续发现了几个尚未解决的弱点，包括查询的复杂性和法律文本之间的语义互连。这些挑战将成为未来研究的焦点，以开发法律数据领域检索任务的综合解决方案。