بازیابی برداری چندمرحله‌ای برای اسناد حقوقی فارسی

مستندات حقوقی فارسی دو ویژگی دارند که جست‌وجوی برداریِ ساده را گمراه می‌کنند: زبان رسمی با مترادف‌های قراردادی («فسخ»، «فساد»، «انفساخ») و ساختار بند-بندِ مستند. تجربه ما نشان داد زنجیره بازیابی چندمرحله‌ای این دو مشکل را حل می‌کند.

مرحله اول: فیلتر ساختاری پیش از بردار

قبل از هر محاسبه برداری، فضای جست‌وجو را با متادیتای ساختاری محدود می‌کنیم: نوع سند، تاریخ، طرف قرارداد و شماره بند.

// فیلتر ساختاری اول، بردار دوم
const results = await qdrant.search("contracts_fa", {
  vector: await embed(query),
  filter: {
    must: [
      { key: "doc_type", match: { value: "contract" } },
      { key: "signed_at", range: { gte: yearsAgo(3) } },
      { key: "clause", match: { any: ["termination", "liability"] } },
    ],
  },
  limit: 50,
  with_payload: ["clause_no", "page"],
});

مرحله دوم: گسترش مترادف‌های حقوقی

واژه‌نامه مترادف‌های حقوقی (حدود ۹۰۰ جفت) را روی پرس‌وجو اعمال می‌کنیم — نه با تغییر پرامپت، بلکه با گسترش برداری:

• «فسخ قرارداد» ← «انفساخ»، «برهم‌زدن»، «باطل کردن»
• «مسئولیت» ← «ضمان»، «تعهد جبران خسارت»

مرحله سوم: rerank با مدل کوچک

از ۵۰ نتیجه مرحله اول، ۱۰ تا را با یک مدل cross-encoder سبک رتبه‌بندی نهایی می‌کنیم:

from sentence_transformers import CrossEncoder

reranker = CrossEncoder("cross-encoder/ms-marco-MiniLM-L-6-v2")
pairs = [(query, hit.payload["text"]) for hit in results]
scores = reranker.predict(pairs)
top = sorted(zip(results, scores), key=lambda x: -x[1])[:8]

اندازه‌گیری دقت

روی ۳۰۰ پرس‌وجوی نمونه از وکلا، Recall@5 این زنجیره به ۰.۹۴ رسید (در برابر ۰.۷۹ بازیابی مستقیم) و میانگین nDCG@10 از ۰.۶۸ به ۰.۸۵ ارتقا یافت.

پیکربندی	Recall@5	nDCG@10
بردار تنها	۰.۷۹	۰.۶۸
+ فیلتر ساختاری	۰.۸۶	۰.۷۵
+ مترادف‌ها	۰.۹۰	۰.۸۰
+ rerank	۰.۹۴	۰.۸۵

نتیجه‌گیری

برای اسناد حقوقی فارسی، «بردار + همه‌چیز» جواب نمی‌دهد؛ ترتیبِ فیلتر، گسترش و رتبه‌بندی است که دقت را می‌سازد. و مهم‌تر از همه: معیار ارزیابی‌تان را از وکلای واقعی بگیرید، نه از داکیومنت مدل.