该论文介绍了在 COLIEE 2023 竞赛中处理 Task 2、Task 3 和 Task 4 的策略，使用了先进的深度学习方法、基于领域特征观察的设计方法，以及严谨的工程实践和方法论，在这些任务中取得了优秀的成绩，并在 Task 2 和 Task 3 中获得了第一名，Task 4 中也有良好结果。源代码可在指定的 URL 获得。

Jan, 2024

该论文介绍了 NOWJ 团队参加 COLIEE 2023 比赛的方法，重点是提高法律信息处理技术并将其应用于现实法律情景中， 团队使用最先进的机器学习模型及创新方法，研究了四个任务，虽然成果未达到最新颖水准但结果提供了有价值洞察，并为改进法律信息处理铺平了道路。

Jun, 2023

本研究总结了 2023 年 COLIEE 中冠军团队 THUIR 的方法，其中使用结构感知的预训练语言模型来加强对法律案例的理解，借助启发式预处理和后处理方法减少不相关信息的影响，并利用学习排序的方法来合并具有不同维度的特征，实验证明了该方法的优越性。

May, 2023

本文提出了一种基于语言模型和机器学习方法，结合多种词汇和形态特征，用于解决法律问题和提供正确答案的 Legal Information Extraction/Entailment 问题，且无需大量训练数据和专业知识即可与最先进的法律信息检索和问题回答方式相竞争，并在比赛中获得了显著成果。

Sep, 2016

本文介绍了基于深度学习的法律文件处理方法，包括自动法律问答竞赛（ALQAC 2022）的法律文件检索和法律问答任务。使用 XLM-RoBERTa 模型在有限的标记数据下表现良好，在低资源语言的其他信息检索任务中也可以应用。

Nov, 2022

该论文介绍了 NeCo 团队在 2023 年自动化法律问题回答竞赛（ALQAC 2023）中针对越南文本处理任务提供的解决方案，重点是通过数据丰富来实现对低资源语言的法律领域知识获取。我们的法律文档检索任务方法结合了相似性排名和深度学习模型，而对于第二个任务，要求根据问题从相关的法律文章中提取答案，我们提出了一系列适应性技术来处理不同类型的问题。我们的方法在竞赛的两个任务中都取得了出色的成绩，展示了法律领域中问答系统特别是对于低资源语言的潜在优势和有效性。

Sep, 2023

该研究采用 Ranking SVM 和卷积神经网络进行法律信息检索和问答，并通过信息检索任务中的统计特征提高了卷积神经网络的准确性。

Mar, 2017

本文总结了 NLP 与法律领域的现状并关注最近的技术和实质性发展。通过构建并分析过去十年发表的超过六百篇与 NLP & 法律相关的论文，我们发现了一些主要趋势，并且我们相信这些趋势对于该领域的未来发展具有积极意义，但是仍有许多问题需要解决。

Feb, 2023

通过实验验证，着重介绍了改进注意力神经网络在自动法律文件处理方面的主要成果，但普遍的自然语言处理模型对于特殊领域如法律文件的适应性仍有挑战。

Mar, 2022

利用神经网络和传统检索模型，我们参加了 COLIEE-2022 律师案例比赛的任务 1 和任务 2，结果在所有团队中排名第五。实验结果表明，传统的检索模型 BM25 仍然优于神经网络模型。

Apr, 2022