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

Résumé Technique : Récupération de Graphes à Multi-Ancres Guidée par l'Ontologie pour la Détermination de la Responsabilité Juridique Routière

Énoncé du Problème
La détermination de la responsabilité juridique routière est un processus complexe qui nécessite l'identification simultanée de dispositions statutaires interdépendantes à travers plusieurs dimensions, telles que les scènes d'accident, les types de violations, les parties responsables et les règles d'attribution de responsabilité. Les approches existantes de Génération Augmentée par Récupération (RAG) sont confrontées à un « goulot d'étranglement de la récupération multidimensionnelle ». La récupération dense standard compresse les requêtes juridiques multifacettes en un seul vecteur, ce qui fait que la dimension sémantique dominante (par exemple, la violation spécifique) éclipse les autres dimensions juridiquement pertinentes. De même, les systèmes basés sur des graphes de connaissances qui parcourent un chemin à partir d'une entité de départ unique échouent souvent à récupérer des dispositions ancrées dans d'autres dimensions ontologiques si l'extraction initiale manque une entité clé. Par conséquent, les réponses générées par ces architectures à axe unique sont souvent juridiquement incomplètes, car elles ne parviennent pas à capturer tout le spectre des statuts co-applicables requis pour une détermination de responsabilité valide.

Méthodologie : OMAGR et TrafficOmni-RAG
Pour remédier à ce goulot d'étranglement, les auteurs proposent OMAGR (Ontology-Guided Multi-Anchor Graph Retrieval), instancié comme le moteur de récupération central de TrafficOmni-RAG, un système de QA juridique de bout en bout. La méthodologie opère à travers les étapes suivantes :

1. Construction de l'Ontologie Juridique et du Graphe de Connaissances :
   Le système repose sur une ontologie juridique à six dimensions ($O = \{D_1, ..., D_6\}$) dérivée de six sources du droit de la circulation chinois (incluant la Loi sur la sécurité routière et les interprétations judiciaires). Les dimensions sont :

   • Ancres de Récupération : Scène d'accident ($D_1$), Type de violation ($D_2$), Partie responsable ($D_3$), et Catégorie de responsabilité ($D_4$).
   • Dimensions de Résultat : Conséquence juridique ($D_5$) et Type de dommage ($D_6$).
     Un graphe de connaissances Neo4j ($G$) est construit, contenant 527 dispositions. Les dispositions sont des nœuds connectés par des arêtes typées représentant les associations ontologiques, les références croisées entre dispositions et les hiérarchies statutaires.

2. Récupération Parallèle à Multi-Ancres :
   Contrairement au parcours à voie unique, OMAGR décompose une requête utilisateur en ancres juridiques structurées alignées sur l'ontologie. Il exécute des récupérations de graphes parallèles simultanément à travers les quatre dimensions d'ancrage ($D_1$–$D_4$). Cela garantit que chaque dimension juridiquement pertinente reçoit un chemin de récupération indépendant, empêant le signal sémantique dominant de supprimer les autres dimensions critiques.

3. Mécanismes de Soutien :

   • Expansion de Requête : Génère des formulations paraphrasées pour améliorer le rappel lexical et thématique au sein du parcours de chaque ancre.
   • Expansion Relationnelle à Deux Sauts : Parcourt les arêtes de référence croisée entre les dispositions à partir des meilleurs résultats de violation pour récupérer les statuts co-applicables (par exemple, les sanctions liées aux articles procéduraux) qui ne sont pas directement atteignables via les arêtes ontologiques primaires.
   • Récupération Dense : Fournit un repli sémantique pour les dispositions manquant de forte connectivité de graphe.
   • Fusion et Raffinement : Tous les ensembles récupérés sont fusionnés à l'aide de la Fusion de Classement Reciproque (RRF). Un ré-classeur cross-encoder sélectionne les 8 meilleures dispositions, suivi d'une Pertinence Maximale Marginale (MMR) pour éliminer les quasi-doublons et d'un élagage de contexte hiérarchique pour optimiser l'allocation des jetons (tokens).

4. Génération :
   L'ensemble de dispositions raffiné sert de contexte à un LLM générateur (GLM-4-Flash). Le système utilise une génération fondée sur les citations, ordonnant au modèle d'intégrer des phrases statutaires textuelles comme preuves et interdisant les citations hors de l'ensemble récupéré afin de minimiser l'hallucination.

Contributions Clés

1. Cadre OMAGR : La proposition d'une architecture de récupération de graphes à multi-ancres parallèle conçue spécifiquement pour résoudre le goulot d'étranglement de la récupération multidimensionnelle dans les domaines juridiques.
2. Benchmark TrafficLaw-QA : L'introduction d'un nouveau jeu de données de référence validé par des experts, contenant 200 questions et 527 dispositions juridiques. Le jeu de données est annoté sous un protocole en double aveugle (Cohen's $\kappa = 0,82$) et cible spécifiquement des scénarios nécessitant un ancrage multi-statutaire à travers des dimensions interdépendantes.
3. Validation Empirique : Démonstration, via des expériences et des études d'ablation, que le système proposé améliore substantiellement la Précision du Contexte et la Fidélité par rapport aux modèles de base.

Résultats Expérimentaux
Évalué sur le jeu de données TrafficLaw-QA à l'aide des métriques RAGAS, TrafficOmni-RAG a surpassé trois modèles de base : Naive RAG (vecteur dense uniquement), TrafficRAG (hybride BM25-dense) et LlamaIndex KG (parcours de graphe à entité unique).

• Précision du Contexte : Traffic-Omni-RAG a obtenu le score le plus élevé (0,915), surpassant de manière significative LlamaIndex KG (0,722). Les auteurs attribuent cela à la conception multi-ancres qui récupère des dispositions de toutes les dimensions pertinentes plutôt que de se regrouper autour d'une seule entité.
• Fidélité : Le système a atteint 0,787, dépassant Naive RAG (0,625) et LlamaIndex KG (0,751).
• Études d'Ablation : La suppression de la composante multi-ancres (retour à une récupération à ancre unique) a provoqué la chute de performance la plus importante (la Précision du Contexte est passée de 0,915 à 0,862), confirmant que la structure de récupération parallèle est le principal moteur du succès.
• Compromis : Bien que TrafficRAG ait obtenu un Rappel de Contexte légèrement supérieur (0,896 contre 0,885) grâce à la correspondance par mots-clés BM25, TrafficOmni-RAG a privilégié la précision, ce que les auteurs considèrent comme fonctionnellement supérieur pour le QA juridique afin de réduire les risques d'hallucination dus à un contexte non pertinent.

Signification et Revendications
L'article affirme que la récupération parallèle à multi-ancres résout efficacement le goulot d'étranglement de la récupération multidimensionnelle inhérent à la détermination de la responsabilité routière. En garantissant que des preuves indépendantes sont collectées pour chaque dimension juridiquement pertinente avant la fusion, le cadre offre une direction prometteuse pour la recherche juridique où les architectures à axe unique échouent à capturer la nature interdépendante des dispositions statutaires. Les auteurs positionnent TrafficOmni-RAG non pas simplement comme une amélioration des métriques de récupération, mais comme un changement structurel nécessaire pour gérer la complexité du raisonnement juridique où un seul accident active des dispositions à travers plusieurs catégories statutaires simultanément.

Limites
Les auteurs reconnaissent plusieurs limites : la qualité de l'extraction des ancres dépend de l'étape de parsing par le LLM (avec un F1 observé de 64,3 % lors de l'évaluation en aveugle), le système utilise un rayon d'expansion à deux sauts fixe qui peut manquer des chaînes de dépendance plus profondes, et l'implémentation actuelle est exclusive au droit de la circulation chinois, nécessitant une évaluation supplémentaire pour la généralisabilité transfrontalière.