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

Sintesi Tecnica: Recupero Grafico Multi-Ancora Guidato da Ontologia per la Determinazione della Responsabilità Legale Stradale

Problema
La determinazione della responsabilità legale stradale è un processo giuridico complesso che richiede l'identificazione simultanea di disposizioni statutarie interdipendenti attraverso molteplici dimensioni, quali scene stradali, tipi di violazione, parti responsabili e regole di allocazione della responsabilità. Gli approoli esistenti di Retrieval-Augmented Generation (RAG) affrontano un "collo di bottiglia del recupero multidimensionale". Il recupero denso standard comprime le query legali multifaccettate in un singolo vettore, causando l'occlusione di altre dimensioni legalmente rilevanti da parte della dimensione semantica dominante (ad esempio, la specifica violazione). Allo stesso modo, i sistemi basati su grafi di conoscenza che attraversano un singolo entità di partenza spesso non riescono a recuperare le disposizioni ancorate in altre dimensioni ontologiche se l'estrazione iniziale manca di una chiave fondamentale. Di conseguenza, le risposte generate da queste architetture a asse singolo sono spesso legalmente incomplete, poiché non riescono a catturare l'intero spettro di statuti co-applicabili necessari per una valida determinazione della responsabilità.

Metodologia: OMAGR e TrafficOmni-RAG
Per affrontare questo collo di bottiglia, gli autori propongono OMAGR (Ontology-Guided Multi-Anchor Graph Retrieval), istanziato come il motore di recupero centrale di TrafficOmni-RAG, un sistema di QA legale end-to-end. La metodologia opera attraverso le seguenti fasi:

1. Costruzione dell'Ontologia Legale e del Grafo di Conoscenza:
   Il sistema si basa su un'ontologia legale a sei dimensioni ($O = \{D_1, ..., D_6\}$) derivata da sei fonti della legge stradale cinese (inclusa la Legge sulla Sicurezza Stradale e le interpretazioni giudiziarie). Le dimensioni sono:

   • Ancore di Recupero: Scena dell'incidente ($D_1$), Tipo di violazione ($D_2$), Parte responsabile ($D_3$) e Categoria di responsabilità ($D_4$).
   • Dimensioni di Esito: Conseguenza legale ($D_5$) e Tipo di danno ($D_6$).
     Viene costruito un grafo di conoscenza Neo4j ($G$) contenente 527 disposizioni. Le disposizioni sono nodi collegati da archi tipizzati che rappresentano associazioni ontologiche, riferimenti incrociati tra disposizioni e gerarchie statutarie.

2. Recupero Multi-Ancora Parallelo:
   A differenza del attraversamento a percorso singolo, OMAGR decompone una query dell'utente in ancore legali strutturate allineate con l'ontologia. Esegue recuperi grafici paralleli simultaneamente attraverso le quattro dimensioni delle ancore ($D_1$–$D_4$). Ciò garantisce che ogni dimensione legalmente rilevante riceva un percorso di recupero indipendente, impedendo al segnale semantico dominante di sopprimere altre dimensioni critiche.

3. Meccanismi di Supporto:

   • Espansione della Query: Genera formulazioni parafrasate per migliorare il richiamo lessicale e topico all'interno del percorso di ogni ancora.
   • Espansione Relazionale a Due Salti (Two-Hop): Attraversa gli archi di riferimento incrociato tra disposizioni dai primi risultati delle violazioni per recuperare gli statuti co-applicabili (ad esempio, sanzioni collegate ad articoli procedurali) che non sono direttamente raggiungibili tramite gli archi primari dell'ontologia.
   • Recupero Denso: Fornisce un fallback semantico per le disposizioni prive di una forte connettività nel grafo.
   • Fusione e Raffinamento: Tutti i set recuperati vengono uniti utilizzando la Reciprocal Rank Fusion (RRF). Un reranker cross-encoder seleziona le 8 disposizioni principali, seguito da Maximal Marginal Relevance (MMR) per rimuovere i quasi-duplicati e dal pruning del contesto gerarchico per ottimizzare l'allocazione dei token.

4. Generazione:
   Il set di disposizioni raffinato funge da contesto per un generatore LLM (GLM-4-Flash). Il sistema impiega una generazione basata su citazioni, istruendo il modello a inserire frasi statutarie letterali come prova e proibendo citazioni al di fuori del set recuperato per minimizzare le allucinazioni.

Contributi Chiave

1. Framework OMAGR: La proposta di un'architettura di recupero grafico multi-ancora parallela progettata specificamente per risolvere il collo di bottiglia del recupero multidimensionale nei domini legali.
2. Benchmark TrafficLaw-QA: L'introduzione di un nuovo dataset di benchmark validato da esperti contenente 200 domande e 527 disposizioni legali. Il dataset è annotato sotto un protocolo double-blind (Cohen's $\kappa = 0.82$) e mira specificamente a scenari che richiedono l'ancoraggio a più statuti attraverso dimensioni interdipendenti.
3. Validazione Empirica: Dimostrazione, attraverso esperimenti e studi di ablazione, che il sistema proposto migliora sostanzialmente la Precisione del Contesto e la Fedeltà rispetto ai baseline.

Risultati Sperimentali
Valutato sul dataset TrafficLaw-QA utilizzando le metriche RAGAS, TrafficOmni-RAG ha superato tre baseline: Naive RAG (solo vettore denso), TrafficRAG (ibrido BM25-denso) e LlamaIndex KG (attraversamento del grafo a singola entità).

• Precisione del Contesto: TrafficOmni-RAG ha ottenuto il punteggio più alto (0.915), superando significativamente LlamaIndex KG (0.722). Gli autori attribuiscono ciò al design multi-ancora che recupera disposizioni da tutte le dimensioni rilevanti invece di raggrupparsi attorno a una singola entità.
• Fedeltà (Faithfulness): Il sistema ha raggiunto lo 0.787, superando Naive RAG (0.625) e LlamaIndex KG (0.751).
• Studi di Ablazione: La rimozione della componente multi-ancora (ritorno al recupero a singola ancora) ha causato il calo più grande delle prestazioni (la Precisione del Contesto è scesa da 0.915 a 0.862), confermando che la struttura di recupero parallela è il principale motore del successo.
• Compromessi: Sebbene TrafficRAG abbia ottenuto un Recall del Contesto leggermente superiore (0.896 vs 0.885) grazie al matching delle parole chiave BM25, TrafficOmni-RAG ha dato priorità alla precisione, che gli autori ritengono sia funzionalmente superiore per il QA legale per ridurre i rischi di allucinazione derivanti da contesti irrilevanti.

Significatività e Rivendicazioni
Il documento sostiene che il recupero parallelo multi-ancora risolve efficacemente il collo di bottiglia del recupero multidimensionale inerente alla determinazione della responsabilità legale stradale. Garantendo che l'evidenza indipendente venga raccolta per ogni dimensione legalmente rilevante prima della fusione, il framework offre una direzione promettente per la ricerca legale dove le architetture a asse singolo falliscono nel catturare la natura interdipendente delle disposizioni statutarie. Gli autori posizionano TrafficOmni-RAG non solo come un miglioramento delle metriche di recupero, ma come un necessario spostamento strutturale per gestire la complessità del ragionamento legale, dove un singolo incidente attiva disposizioni in più categorie statutarie simultaneamente.

Limitazioni
Gli autori riconoscono diverse limitazioni: la qualità dell'estrazione delle ancore dipende dal passaggio di parsing dell'LLM (con un F1 osservato del 64,3% in una valutazione cieca), il sistema utilizza un raggio di espansione a due salti fisso che potrebbe mancare catene di dipendenza più profonde, e l'attuale implementazione è esclusiva della legge stradale cinese, richiedendo ulteriori valutazioni per la generalizzabilità trans-giurisdizionale.