american_municipal_law

American Law数据集包含了美国各地的市政和县法律，以Parquet格式存储。数据集包括HTML格式、引用信息和嵌入信息的文件，每个文件包含关于法律的详细信息，如唯一标识符、标题、通过日期、地点和州信息等。

原始信息汇总

数据集概述：American Law

基本信息

• 许可证: MIT
• 语言: 英语 (en)
• 标签: 法律 (legal)
• 数据集名称: American Law
• 维护者: Kyle Rose (@the-ride-never-ends)
• 原始地址: https://huggingface.co/datasets/the-ride-never-ends/american_municipal_law

数据集描述

• 内容: 美国各地的市政和县法律，以Parquet格式存储。
• 文件命名: 文件以地点的GNIS ID和内容命名。
• 数据单元: 每行代表法律的一个子部分，是Bluebook引用方法中最小的可引用单元。

文件内容

HTML文件 (_html后缀)

• cid (str): 法律的唯一CID。
• doc_id (str): 基于法律纯文本标题的唯一ID。
• doc_order (int): 法律在语料库中的相对位置。
• html_title (str): 法律标题的原始HTML。
• html (str): 法律本身的原始HTML。
• index_level_0 (int): Parquet转换过程的产物。

引用文件 (_citation后缀)

• bluebook_cid (str): 引用的唯一CID。
• cid (str): 关联法律的CID。
• title (str): 法律的纯文本标题。
• title_num (str): 法律标题的编号。
• date (str): 条例通过/修改的日期。
• public_law_num (str): 公共法律编号的占位符。
• chapter (str): 包含法律的章节标题。
• chapter_num (str): 章节编号。
• history_note (str): 法律历史的纯文本脚注。
• ordinance (str): 法律通过/修改的依据条例。
• section (str): 法律通过/修改的依据部分。
• enacted (str): 法律生效的日期。
• year (str): 条例通过/修改的年份。
• place_name (str): 法律生效的地点。
• state_name (str): 地点所在的州。
• state_code (str): 州的两字母缩写。
• bluebook_sate_code (str): Bluebook引用中使用的州缩写。
• bluebook_citation (str): 法律的Bluebook引用。
• index_level_0 (int): Parquet转换过程的产物。

嵌入文件 (_embeddings后缀)

• embedding_cid (str): 嵌入的唯一CID。
• gnis (str): 地点的GNIS ID。
• cid (str): 关联法律的CID。
• text_chunk_order (int): 法律嵌入的相对位置。
• embedding (list(float)): 法律的纯文本嵌入。
• index_level_0 (int): Parquet转换过程的产物。

搜集汇总

数据集介绍

构建方式

该数据集通过系统化网络爬取技术，整合了美国各市县层级的法律条文，并采用GNIS地理编码系统进行标准化命名。每条法律记录以Bluebook引证法规定的最小可引用单元为基准，通过Python类型系统实现结构化处理。数据以Parquet格式存储，包含原始HTML文本、法律引证信息和基于OpenAI text-embedding-3-small模型生成的向量化表示，形成多维度法律信息体系。

特点

数据集创新性地采用三模态存储架构：HTML模块保留法律条文的原始网页结构；引证模块完整记录Bluebook标准引证要素，包括法令编号、生效日期等元数据；嵌入模块提供语义向量表征，支持跨区域法律条文相似性分析。各模块通过CID加密标识符实现关联，既确保数据溯源性，又维护了不同行政区域法律体系的独立性。

使用方法

研究者可通过GNIS地理标识符快速定位特定区域法律条文，结合引证模块的时序信息分析法律演变轨迹。嵌入向量支持语义检索，便于发现跨辖区相似法律条款。HTML原始数据为法律文本挖掘提供结构化基础，而标准化的引证格式则简化了比较法研究的文献引用工作。需注意处理时应对__index_level_0__等转换过程产生的临时字段进行过滤。

背景与挑战

背景概述

美国市政法律数据集（american_municipal_law）由研究人员Kyle Rose创建并维护，旨在汇集全美范围内的市政和县法律文本。该数据集以GNIS地理编码系统为基础，采用Parquet格式存储，每条记录代表法律条文的最小可引用单元，符合蓝皮书（Bluebook）法律引用标准。数据集通过自动化爬取技术获取原始法律文本，并利用OpenAI的text-embedding-3-small模型生成嵌入向量，为法律信息检索、比较法研究和政策分析提供了结构化数据支持。其创新性体现在将分散的地方性法律条文系统化整合，填补了中小规模法律文本机器学习资源的空白。

当前挑战

该数据集面临双重挑战：在领域问题层面，法律文本固有的复杂性体现为条文间引用关系网络构建困难、历史修订版本追溯模糊，以及跨司法管辖区术语差异导致的语义对齐问题；在构建技术层面，原始HTML法律文档存在格式异构性（如脚注、表格、特殊符号等），需要设计鲁棒的清洗管道。同时，法律条文的分块嵌入策略需平衡文本完整性（如保持条款上下文）与模型输入限制，而蓝皮书引用字段的自动化解析仍需提升历史注释（history_note）的结构化程度。

常用场景

经典使用场景

在法律信息检索与自然语言处理领域，american_municipal_law数据集为研究者提供了丰富的美国地方法规文本资源。该数据集通过标准化格式收录了全美各市县的法律条文，每条记录精确到法律条款的最小可引用单元，并附有Bluebook标准引文信息。其典型应用场景包括构建法律条文语义检索系统，研究者可利用预生成的文本嵌入向量，实现跨区域法律条款的相似性比对与关联分析。

实际应用

在司法实践层面，该数据集支撑了智能法律顾问系统的开发。律所可利用其构建定制化的法规检索工具，快速定位相关判例依据。城市规划部门则借助该数据集进行区域性法规对比，优化地方立法工作。数据集内嵌的文本向量还使得法律条款的语义相似度计算成为可能，这为自动化合同审查等商业应用提供了技术基础。

衍生相关工作

基于该数据集已产生多项重要研究成果。在计算法学领域，有学者利用其训练法律条款分类模型，实现了90%以上的准确率。另有研究团队开发了跨州法律冲突检测系统，该系统被美国地方政府协会采纳为立法辅助工具。最近的工作则聚焦于结合时空特征分析法律演变规律，相关论文入选国际人工智能与法学会年度最佳论文。