案例检索：相似案例推荐

可视化演示

演示混合推荐算法融合、律师画像驱动的个性化推荐，以及多指标评估与持续优化流程。

案例检索基础

林大夫的医馆有个老规矩：新病人进门，先翻旧病历。三十年的病历按病症分柜、按年份编号，她常说看病不是凭空想，而是“以旧证新”。法律界的法官面对新案子，同样要“以旧证新”——查一查过去类似的案件是怎么判的。这套“查旧案、证新案”的思路，在 AI+法律中就叫相似案例推荐。

相相似案例推荐依托的“病历柜”叫案例库，里面存着海量生效裁判文书、案情摘要和判决结果。这里要区分两个近义词：检索是法官主动输入关键词去查，像自己去翻病历；推荐是系统分析完新案后主动把相似旧案递上来，像助手把一摞病历送到桌上。实际系统常常两者结合，先检索后推荐。

一套完整的推荐流程通常分五步：收集新案情、抽取关键要素、把文本转成向量、计算与历史案例的相似度、选相似度最高的前 K 个结果再精排推送。这五步就像林大夫问诊、记特征、翻病历、比症状、定方案。

所以说，相似案例推荐本质上是一次“以旧证新”的搜索加排序。就像林大夫从几万本病历里挑出最像的几本，系统从案例库里挑出最像的几份判决——这一步想明白了，后面的细节就都有了挂靠的地方。

案情文本表示

林大夫的每本病历都有一页“特征页”：高热、咳嗽、脉浮，几笔写清病症关键。机器读案情也一样，它看不懂自然语言，必须把一段案情转成一张“特征卡”，也就是数字向量。这个转换过程叫文本表示，是整个推荐系统的地基。

最朴素的特征卡是词频卡：统计每个词出现几次。但“的”“了”“本案”这类词在每份判决里都高频出现，对区分案由毫无帮助。于是有了 TF-IDF（词频—逆文档频率），它给常见词降权、给罕见的关键词加权重，就像林大夫不会把“患者”“服用”记进特征页，而会重点记“胸痛三日”“舌苔黄腻”这类辨识度高的症状。

再进一步，用预训练语言模型（如 BERT 类模型）可以把整段案情编码成携带语义的向量，让“打伤”和“故意伤害”这类不同写法但含义相近的表达也能落在向量空间的相近位置。这相当于病历特征页从“手写关键词”升级成了“语义标签”。

病历特征页写得好不好，直接决定后面比对准不准。TF-IDF 负责把“有辨识度的词”挑出来，语义编码负责把“说得不一样但意思一样”的案情拉近——这两层配合，机器才算真正“读懂”了案情。

相似度计算

特征卡写好了，怎么判断两张卡像不像？林大夫的办法很直白：把两张卡上的症状逐条对照重合。机器没有眼睛，它把每张“特征卡”看成一个向量，向量的每个维度就是一个特征词的权重，于是“比像不像”变成了“比两个向量有多接近”。

最常用的尺子是余弦相似度：把两个向量从原点画出去，比较它们方向上的夹角。夹角越小，方向越一致，案情就越相似。它的好处是只看方向不看长度，不会因为一份判决写得很长、另一份写得很短，就被“篇幅”带偏。

另一把尺子是欧氏距离：直接量两个向量终点之间的直线距离。它同时受方向和长度影响，适合向量已经归一化的场景。还有语义匹配：用模型判断“殴打他人”“故意伤害致人轻伤”这类表达在语义上是否对应，这是对词面匹配的重要补充。

林大夫的“逐条对照症状”落到数学上，就是向量之间的夹角计算：方向一致，余弦接近 1，病历高度相似；方向偏得越远，余弦越小，相似度越低。选哪把尺子，取决于案子本身的特点——这正是算法工程师要在实践中权衡的地方。

检索与排序

医馆的病历越堆越多，林大夫从不会从头翻到尾。她的办法是两段式：先按“主症索引”粗粗筛出一小摞疑似病历，再坐下来把这一小摞逐本细读。案例检索也是同样的套路——第一段叫粗排召回，第二段叫精排重排。

粗排召回（Top-K 召回）追求“快而全”：用向量相似度这种轻量计算，从全量库里快速捞回 K 份候选案例。K 通常取几十到几百，宁可多捞一些，也不放跑真正的相似案例。这一步就像先按“咳嗽”这个主症筛出五十本再说。

精排重排追求“准而细”：对候选集逐个做更精细的打分，把法律要素（案由、争议焦点、标的额、地域、审级）的匹配度、判决时间的新旧等因素都融合进来，重新排序后只保留前几名推送给法官。这一步就像林大夫在五十本里再挑出最对症的三本，结合病人体质反复斟酌。

粗排负责“不漏”，精排负责“不乱”。林大夫先靠索引缩小范围，再凭经验细读定夺；推荐系统先靠轻量召回圈定候选，再靠要素融合精排定序——两级配合，既保速度又保质量，这是相似案例推荐在工程上的标准打法。

索引与性能

病历多到一定程度，翻柜子就成了体力活。林大夫在柜前挂了一排“症状索引卡”：每张卡写一个症状，下面是一串病历编号。想看“头痛”，直接抽头痛卡，按编号取病历就行，不必整柜翻找。案例检索里对应的工具叫倒排索引。

倒排索引的逻辑正好和正排相反：正排是“这份文档有哪些词”，倒排是“这个词出现在哪些文档”。建立倒排索引后，包含“合同”的判决书编号被集中在一张表里，关键词查询只需查表，速度从全库扫描降到“只查相关编号”。

但向量相似度没法直接建倒排索引，因为向量是稠密的连续数值，没有天然的关键词。于是工程上引入 ANN（近似最近邻）检索，常见的有局部敏感哈希（LSH）和分层可导航小世界图（HNSW）。它们的思想是：把“长相接近”的向量提前聚到临近区域，查询时只搜邻居区域，用一点点精度损失换来巨大的速度提升。

有了“症状索引卡”，林大夫的手速快了几十倍；有了倒排索引和 ANN，检索系统才能在千万级案例库里毫秒级响应。性能优化的本质，就是用巧劲替代笨功夫——先把搜索范围缩到最小，再做精细比较。

评估指标

推荐给法官三份相似案例，到底灵不灵？林大夫有个小本子，专门记录每次推荐后被采纳了几次、有几份真管用。推荐系统也需要这样的小本子，这就是评估指标——用数字回答“推荐质量高不高”。

最核心的两个指标是精确率（Precision）和召回率（Recall）。精确率回答“推上来的案例里，有多少是真相关的”——好比递给法官的几本病历里，几本是真正对症的；召回率回答“所有相关案例里，有多少被找出来了”——好比库里本来有十本对症病历，林大夫翻出了几本。一个管“推得准”，一个管“找得全”。

这两个指标常常此消彼长：候选范围放大，找得更全但掺进更多不相关结果；候选范围缩小，推得更准但可能漏掉相关案例。为了综合衡量，工程上常用 F1 分数，它是精确率和召回率的调和平均，对两者取平衡。

小本子记得越细，林大夫的推荐就越稳。对系统而言，除了精确率、召回率和 F1，还会看法官的采纳率、点击率等用户反馈指标——毕竟推荐出来没人看，分数再高也是白搭。评估不是终点，而是让系统持续变聪明的标尺。

实践挑战

新病种来了，旧病历里找不到像的；罕见病全县只有两三本记录，翻来翻去就那几页。这是林大夫的难题，也是案例检索的难题：数据稀疏和长尾案例。新类型案件（比如涉数据犯罪）历史判例稀少，相似度计算缺少参照物，推荐效果自然打折扣。

应对思路有三：一是借助预训练语言模型和迁移学习，用小样本也能学出较稳定的语义表示；二是引入裁判文书之外的法律知识（法条、司法解释）作为辅助特征，弥补案例不足；三是主动向法官征求反馈，把新案的“采纳结果”回填进案例库，让系统越用越熟——就像林大夫从每一次新病例里总结新经验，补充进自己的病历本。

案例库还有时效性问题：法律修订后，旧判例可能不再适用。系统需要持续更新，让新案例的向量逐步融入案例库，同时给过期案例降权或下线。这个更新过程可以写成在线增量更新的形式，让旧知识平滑过渡到新知识。

最后也是最关键的一条：AI 递上病历，开方还得靠大夫。相似案例推荐的价值是辅助决策而不是替代决策——系统把相似判例排在法官桌上，但每个案子独有的情节差异、价值权衡，必须由法律人来把关。林大夫的 AI 助手再聪明，最终落笔的方子里，始终有大夫三十年的功力。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""用 TF-IDF + 余弦相似度实现相似案例推荐"""import mathfrom collections import Counter  class CaseRetriever:    def __init__(self, corpus):        self.corpus = corpus        self.docs = [self._tokenize(text) for text in corpus]        self.vocab = self._build_vocab()        self.df = self._doc_freq()     def _tokenize(self, text):        # 简易分词: 按空格切分 (实际项目中用 jieba)        return text.split()     def _build_vocab(self):        vocab = {}        for tokens in self.docs:            for w in tokens:                if w not in vocab:                    vocab[w] = len(vocab)        return vocab     def _doc_freq(self):        df = Counter()        for tokens in self.docs:            for w in set(tokens):                df[w] += 1        return df     def _tfidf(self, tokens):        vec = {}        n = len(self.docs)        count = Counter(tokens)        for w, c in count.items():            tf = c / len(tokens)            idf = math.log((n + 1) / (self.df[w] + 1)) + 1            vec[self.vocab[w]] = tf * idf        return vec     def _cosine(self, v1, v2):        dot = 0.0        norm1 = 0.0        norm2 = 0.0        for idx in set(v1.keys()) | set(v2.keys()):            a = v1.get(idx, 0.0)            b = v2.get(idx, 0.0)            dot += a * b            norm1 += a * a            norm2 += b * b        if norm1 == 0 or norm2 == 0:            return 0.0        return dot / (math.sqrt(norm1) * math.sqrt(norm2))     def recommend(self, query, top_k=3):        q_vec = self._tfidf(self._tokenize(query))        scores = []        for i, doc in enumerate(self.docs):            d_vec = self._tfidf(doc)            scores.append((i, self._cosine(q_vec, d_vec)))        scores.sort(key=lambda x: x[1], reverse=True)        return scores[:top_k]  if __name__ == "__main__":    cases = [        "合同纠纷 拖欠货款 违约金",        "合同纠纷 逾期交货 赔偿损失",        "离婚纠纷 财产分割 抚养权",        "交通事故 人身损害赔偿 医疗费",        "劳动纠纷 拖欠工资 经济补偿",        "合同纠纷 质量不合格 解除合同",    ]    retriever = CaseRetriever(cases)    query = "合同纠纷 货款 违约金 赔偿"    for idx, score in retriever.recommend(query, top_k=3):        print("相似度 %.3f -> %s" % (score, cases[idx]))

1. self.docs = [self._tokenize(text) for text in corpus]对每份案例文本做分词，得到词序列列表，相当于给每本病历写词清单。
2. self.df[w] += 1统计每个词出现在多少篇文档中，供后面计算逆文档频率使用。
3. idf = math.log((n + 1) / (self.df[w] + 1)) + 1平滑版逆文档频率，避免因单词未出现而除零，常见词权重被压低。
4. vec[self.vocab[w]] = tf * idf把词频与逆文档频率相乘，写入稀疏向量的对应维度。
5. dot / (math.sqrt(norm1) * math.sqrt(norm2))两个向量点积除以模长乘积，即余弦相似度。
6. scores.sort(key=lambda x: x[1], reverse=True)按相似度从高到低排序，完成 Top-K 候选排序。
7. for idx, score in retriever.recommend(query, top_k=3)对查询案情返回前三个最相似的案例并打印。

常见误区

面试题