💬 NLP

An Ontology-Guided Multi-Anchor Graph Retrieval Framework for Traffic Legal Liability Determination

Dieses Paper schlägt OMAGR vor, ein ontologiegestütztes Multi-Anchor-Graph-Retrieval-Framework, das die Einschränkungen der einachsigen Abfrage bei der Bestimmung der Verkehrsrechtshaftung durch die Zerlegung von Abfragen in parallele Dimensionen überwindet, validiert durch eine überlegene Leistung auf dem neu erstellten TrafficLaw-QA-Datensatz.

Ursprüngliche Autoren: Xu Li, Shuqi Tian, Xun Han, Kuncheng Zhao, Xinyi Li

Veröffentlicht 2026-06-11

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Xu Li, Shuqi Tian, Xun Han, Kuncheng Zhao, Xinyi Li

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, einen komplexen Verkehrsunfall-Fall zu lösen. Um dies korrekt zu tun, können Sie nicht nur auf eine Sache schauen. Sie müssen die Geschwindigkeitsbegrenzung (die Szene), die Art des Fehlers (den Verstoß), wer am Steuer saß (die Partei) und wie das Gesetz die Schuld aufteilt (die Haftung) prüfen.

In der Vergangenheit waren Computersysteme, die versuchten, diese rechtlichen Rätsel zu lösen, wie ein Detektiv mit einer einzelnen Taschenlampe. Sie leuchteten mit diesem einen Licht auf den offensichtlichsten Teil des Unfalls (meistens den Verstoß) und hofften, dass dies ausreichte. Wenn das Licht auf ein „Trunkenheitsfahrt“-Schild traf, hielt das System dort inne und ignorierte dabei, dass der Unfall auch auf einem „Fußgängerüberweg“ geschah oder einen „Kind fahrgast“ betraf. Dies führte dazu, dass das System entscheidende Teile des rechtlichen Puzzles übersah, was zu unvollständigen oder falschen Antworten führte.

Die Autoren dieser Arbeit, Xu Li und Kollegen, haben ein neues System namens TrafficOmni-RAG entwickelt, um dies zu beheben. So funktioniert es, unter Verwendung einfacher Analogien:

1. Das Problem: Der „Einzel-Taschenlampe“-Engpass

Bestehende Systeme sind wie ein Bibliothekar, der nur nach Büchern sucht, basierend auf dem ersten Wort Ihrer Frage. Wenn Sie fragen: „Was passiert, wenn ein betrunkener Fahrer einen Fußgänger auf einer Brücke anfährt?“, findet das System vielleicht nur Gesetze über „Trunkenheitsfahrt“. Es übersieht die Gesetze über „Fußgängersicherheit“ und „Brückenverkehrsregeln“, weil es an einem einzigen Pfad festhängt. Die Autoren nennen dies den „mehrdimensionalen Retrieval-Engpass“.

2. Die Lösung: Das „Vier-Suchscheinwerfer“-Team

Das neue System, OMAGR, agiert wie ein Team aus vier spezialisierten Detektiven, die gleichzeitig arbeiten, anstatt wie eine einzelne Person mit einer Taschenlampe.

Die Karte (Die Ontologie): Bevor es sucht, zeichnet das Team eine detaillierte Karte aller Verkehrsgesetze. Sie ordnen diese Gesetze in sechs verschiedene „Nachbarschaften“ (Dimensionen) ein: Szene, Verstoß, Partei, Haftung, Folgen und Schaden.
Die vier Anker: Wenn ein Benutzer eine Frage stellt, stellt das System nicht nur eine einzige Frage. Es bricht die Anfrage basierend auf dieser Karte in vier separate „Anker“ (Hinweise) auf:
1. Szene: Wo ist es passiert?
2. Verstoß: Welche Regel wurde gebrochen?
3. Partei: Wer war beteiligt?
4. Haftung: Wie wird die Schuld aufgeteilt?
Parallele Suche: Anstatt einem einzigen Pfad zu folgen, schickt das System ein Suchteam gleichzeitig auf vier verschiedene Pfade. Ein Team sucht nach „Szene“-Gesetzen, ein anderes nach „Verstoß“-Gesetzen und so weiter. Dies stellt sicher, dass das System, egal welcher Teil des Unfalls am wichtigsten ist, die relevanten Gesetze für jeden Teil findet.

3. Das Zusammenfügen der Teile

Sobald die vier Teams ihre Funde zurückbringen, agiert das System wie ein Meisterkoch, der Zutaten mischt. Es verwendet ein spezielles Rezept (genannt Reciprocal Rank Fusion), um die besten Gesetze aus allen vier Suchen zu einer perfekten Liste zu kombinieren. Es filtert dann Duplikate heraus und stellt sicher, dass die endgültige Liste kurz und präzise ist.

Schließlich liest ein großes Sprachmodell (der „Richter“) diese kuratierte Liste von Gesetzen und schreibt die Antwort. Da der Richter gezwungen ist, nur die von den vier Teams gefundenen Gesetze zu verwenden, kann er keine Dinge erfinden (halluzinieren). Er muss die spezifischen Gesetze zitieren, die er gefunden hat.

4. Die Ergebnisse: Eine bessere Bewertung

Um dies zu testen, entwickelten die Forscher eine neue Prüfung namens TrafficLaw-QA, die 200 knifflige Rechtsfragen enthält, die erfordern, aus mehreren Blickwinkeln zu schauen, um korrekt zu antworten.

Der alte Weg (Einzel-Taschenlampe): Wurde leicht verwirrt und übersah wichtige Gesetze.
Der neue Weg (Vier-Suchscheinwerfer): Fand viel häufiger die richtigen Gesetze.
- Präzision: Das neue System war viel besser darin, nur die relevanten Gesetze zu finden und irrelevante (wie ein Gesetz über „Geschwindigkeitsüberschreitung“, wenn die Frage über „Fußgänger“ war) zu ignorieren.
- Treue (Faithfulness): Die Antworten waren stärker in den tatsächlichen Texten der Gesetze verwurzelt, was das Risiko verringerte, dass die KI Dinge erfindet.

Warum das wichtig ist

Das Papier argumentt, dass man bei Verkehrsrecht nicht nur das „Hauptproblem“ betrachten kann. Man muss das gesamte Bild gleichzeitig sehen. Durch die Verwendung von paralleler Multi-Anker-Abfrage stellt dieses neue System sicher, dass jeder relevante Blickwinkel einer Rechtsfrage sein eigenes Rampenlicht bekommt, was zu genaueren und gerechteren rechtlichen Feststellungen führt.

Kurz gesagt: Sie haben eine einspurige Straße durch eine vierspurige Autobahn ersetzt, um sicherzustellen, dass kein entscheidender rechtlicher Hinweis im Verkehr zurückbleibt.

Technische Zusammenfassung: Ontologiegestützte Multi-Anker-Graph-Abfrage zur Bestimmung der verkehrsrechtlichen Haftung

Problemstellung
Die Bestimmung der verkehrsrechtlichen Haftung ist ein komplexer juristischer Prozess, der die gleichzeitige Identifizierung interdependenter gesetzlicher Bestimmungen über mehrere Dimensionen hinweg erfordert, wie etwa Unfallorte, Verletzungstypen, verantwortliche Parteien und Regeln zur Haftungszuweisung. Bestehende Retrieval-Augmented Generation (RAG)-Ansätze stehen vor einem „mehrdimensionalen Retrieval-Engpass“. Die Standard-Dense-Retrieval-Verfahren komprimieren mehrschichtige juristische Abfragen in einen einzigen Vektor, was dazu führt, dass die dominante semantische Dimension (z. B. der spezifische Verstoß) andere rechtlich relevante Dimensionen verdrängt. Ebenso scheitern wissensgraphbasierte Systeme, die von einem einzelnen Startknoten aus traversieren, oft daran, Bestimmungen abzurufen, die in anderen ontologischen Dimensionen verankert sind, falls die initiale Extraktion eine Schlüsselentität übersieht. Infolgedessen sind die generierten Antworten dieser einachsigen Architekturen oft rechtlich unvollständig, da sie das volle Spektrum der ko-applikablen Statuten nicht erfassen können, die für eine gültige Haftungsbestimmung erforderlich sind.

Methodik: OMAGR und TrafficOmni-RAG
Um diesen Engpass zu adressieren, schlagen die Autoren OMAGR (Ontology-Guided Multi-Anchor Graph Retrieval) vor, welches als der zentrale Retrieval-Kern von TrafficOmni-RAG, einem End-to-End-System für juristische Fragen und Antworten (QA), implementiert ist. Die Methodik operiert durch folgende Phasen:

Konstruktion der juristischen Ontologie und des Wissensgraphen:
Das System basiert auf einer sechsdimensionalen juristischen Ontologie ( $O = \{D_1, ..., D_6\}$ ), die aus sechs chinesischen Quellen des Verkehrsrechts (einschließlich des Straßenverkehrssicherheitsgesetzes und gerichtlicher Auslegungen) abgeleitet wurde. Die Dimensionen sind:
- Retrieval-Anker: Unfallort ( $D_1$ ), Verletzungstyp ( $D_2$ ), Verantwortliche Partei ( $D_3$ ) und Haftungskategorie ( $D_4$ ).
- Ergebnisdimensionen: Rechtliche Folge ( $D_5$ ) und Schadensart ( $D_6$ ).
  Ein Neo4j-Wissensgraph ( $G$ ) wurde konstruiert, der 527 Bestimmungen enthält. Die Bestimmungen sind Knoten, die durch typisierte Kanten verbunden sind, welche ontologische Assoziationen, inter-provisorische Querverweise und gesetzliche Hierarchien repräsentieren.
Parallele Multi-Anker-Abfrage:
Im Gegensatz zur einpfadigen Traversal dekomponiert OMAGR eine Benutzeranfrage in strukturierte juristische Anker, die mit der Ontologie übereinstimmen. Es führt parallele Graph-Abfragen gleichzeitig über die vier Ankerdimensionen ( $D_1$ – $D_4$ ) aus. Dies stellt sicher, dass jede rechtlich relevante Dimension einen unabhängigen Retrieval-Pfad erhält, wodurch verhindert wird, dass das dominante semantische Signal andere kritische Dimensionen unterdrückt.
Unterstützende Mechanismen:
- Query Expansion: Erzeugt paraphrasierte Formulierungen, um die lexikalische und thematische Trefferrate innerhalb des Pfades jedes Ankers zu verbessern.
- Zwei-Hop-Relations-Expansion: Traversiert inter-provisorische Querverweis-Kanten von den Top-Verstoß-Ergebnissen aus, um ko-applikable Statuten (z. B. mit Strafen verknüpfte Artikel zu Verfahrensfragen) zu rekonstruieren, die über die primären Ontologie-Kanten nicht direkt erreichbar sind.
- Dense Retrieval: Bietet ein semantisches Fallback für Bestimmungen, die keine starke Graph-Konnektivität aufweisen.
- Fusion und Verfeinerung: Alle abgerufenen Mengen werden mittels Reciprocal Rank Fusion (RRF) zusammengeführt. Ein Cross-Encoder-Reranker wählt die obersten 8 Bestimmungen aus, gefolgt von Maximal Marginal Relevance (MMR) zur Entfernung von nahezu identischen Duplikaten sowie einer hierarchischen Kontext-Pruning-Methode zur Optimierung der Token-Allokation.
Generierung:
Der verfeinerte Bestimmungssatz dient als Kontext für einen Generator-LLM (GLM-4-Flash). Das System nutzt eine zitatenbasierte Generierung, wobei das Modell angewiesen wird, wortgetreue juristische Phrasen als Belege einzubetten und Zitate außerhalb des abgerufenen Satzes zu untersagen, um Halluzinationen zu minimieren.

Wesentliche Beiträge

OMAGR-Framework: Der Vorschlag einer parallelen Multi-Anker-Graph-Retrieval-Architektur, die speziell darauf ausgelegt ist, den mehrdimensionalen Retrieval-Engpass in juristischen Domänen zu lösen.
TrafficLaw-QA Benchmark: Die Einführung eines neuen, Experten-validierten Benchmark-Datensatzes mit 200 Fragen und 527 juristischen Bestimmungen. Der Datensatz wurde unter einem Doppelblind-Protokoll annotiert (Cohen's $\kappa = 0,82$ ) und zielt spezifisch auf Szenarien ab, die eine Multi-Statut-Fundierung über interdependenter Dimensionen erfordern.
Empirische Validierung: Nachweis durch Experimente und Ablationsstudien, dass das vorgeschlagene System die Kontextpräzision (Context Precision) und die Treue (Faithfulness) im Vergleich zu Baselines erheblich verbessert.

Experimentelle Ergebnisse
Evaluierung auf dem TrafficLaw-QA-Datensatz unter Verwendung von RAGAS-Metriken zeigt, dass TrafficOmni-RAG drei Baselines übertraf: Naive RAG (nur Dense Vector), TrafficRAG (hybrides BM25-Dense) und LlamaIndex KG (einzel-entitätsbasierte Graph-Traversal).

Kontextpräzision (Context Precision): TrafficOmni-RAG erreichte den höchsten Wert (0,915) und übertraf LlamaIndex KG (0,722) signifikant. Die Autoren führen dies auf das Multi-Anker-Design zurück, das Bestimmungen aus allen relevanten Dimensionen abruft, anstatt sich um eine einzige Entität zu gruppieren.
Treue (Faithfulness): Das System erreichte 0,787 und übertraf damit Naive RAG (0,625) und LlamaIndex KG (0,751).
Ablationsstudien: Das Entfernen der Multi-Anker-Komponente (Rückkehr zur Single-Anker-Abfrage) verursachte den größten Leistungsabfall (die Kontextpräzision sank von 0,915 auf 0,862), was bestätigt, dass die parallele Retrieval-Struktur der primäre Erfolgsfaktor ist.
Trade-offs: Während TrafficRAG aufgrund des BM25-Keyword-Matching eine etwas höhere Kontext-Trefferquote (Context Recall) erzielte (0,896 vs. 0,885), priorisierte TrafficOmni-RAG die Präzision, was die Autoren für die funktionale Überlegenheit bei juristischen QA-Aufgaben halten, um das Risiko von Halluzinationen durch irrelevante Kontexte zu reduzieren.

Bedeutung und Ansprüche
Das Paper behauptet, dass die parallele Multi-Anker-Abfrage den inhärenten mehrdimensionalen Retrieval-Engpass bei der Bestimmung der verkehrsrechtlichen Haftung effektiv löst. Indem sichergestellt wird, dass für jede rechtlich relevante Dimension vor der Fusion unabhängige Beweise gesammelt werden, bietet das Framework eine vielversprechende Richtung für die Rechtsforschung, in der einachsige Architekturen die interdependenten Eigenschaften gesetzlicher Bestimmungen nicht erfassen können. Die Autoren positionieren TrafficOmni-RAG nicht bloß als Verbesserung der Retrieval-Metriken, sondern als notwendige strukturelle Verschiebung zur Handhabung der Komplexität juristischer Argumentation, bei der ein einzelner Unfall gleichzeitig Bestimmungen über mehrere gesetzliche Kategorien hinweg aktiviert.

Limitierungen
Die Autoren räumen mehrere Einschränkungen ein: Die Qualität der Anker-Extraktion hängt vom LLM-Parsing-Schritt ab (mit einem beobachteten F1 von 64,3 % in der Blind-Evaluierung), das System verwendet einen festen Zwei-Hop-Expansionsradius, der tiefere Abhängigkeitsketten möglicherweise verpasst, und die aktuelle Implementierung beschränkt sich auf das chinesische Verkehrsrecht, was eine weitere Evaluierung hinsichtlich der grenzüberschreitenden Generalisierbarkeit erfordert.