提出了一种基于领域知识的无监督算法 DELSumm 来实现自动化法律文书摘要，该算法在印度最高法院的案例文件上的实验表明，该算法在 ROUGE 分数方面优于多个强基线，包括基于通用算法和专业法律算法，尽管该算法没有监督学习，但胜过了多个训练了数千个文件摘要对的监督式算法模型。

Jun, 2021

采用编码总结、文档表示模型、词汇特征提取等方法，结合资源进行比较及潜在特征提取，实现针对法律信息提取 / 推理比赛的最优成果。

Sep, 2020

通过使用无监督的基于图形的排名模型，并使用重新加权算法来利用法律判决文件结构的特性，本研究研究了使用不同方法计算文档结构的影响，结果在加拿大法律案例实验数据集上表明了我们提出的方法优于多个强基线。

Nov, 2022

本文对不同类型的文本摘要模型（如抽取式与生成式模型）在法律文本中的表现进行分析，特别是将最近的基于 transformer 的生成式摘要模型应用于法律文本摘要时，由于法律文档非常长，必须考虑这些模型的限制。同时，本文还提供了在针对法律文档进行摘要系统评估方面的一些有用结论。

Oct, 2022

本文提出了一种基于深度学习的有效自动案例总结系统，该系统利用最先进的自然语言处理技术，提供了监督和无监督方法来生成简洁且相关的冗长法律案例文件的摘要。用户友好的界面允许用户浏览系统的法律案例库，选择所需案例，并选择他们偏好的总结方法。该系统为法律文本的每个小节以及整体生成全面的摘要。该演示简化了法律案例文档分析，可能通过减轻工作量和提高效率从而使法律专业人员受益。未来的工作将集中在改进摘要技术并探索将我们的方法应用于其他类型的法律文本。

Dec, 2023

本文总结了团队 SCaLAR 在《SemEval-2024 任务 5：民事诉讼中的法律论证》方面的工作。我们提出了一种简单而又新颖的基于相似度和距离的无监督方法来生成标签，以解决该二元分类任务。此外，我们通过使用 CNN、GRU 和 LSTM 等集成特征和多级融合的 Legal-Bert 嵌入来探索解决法律文本复杂性的问题。为了解决数据集中冗长的法律解释，我们引入了基于 T5 的分段摘要，成功保留了关键信息，提高了模型的性能。我们的无监督系统在开发集上的宏 F1 得分增加了 20 个百分点，在测试集上增加了 10 个百分点，这是一个令人鼓舞的结果，考虑到其简单的架构。

Mar, 2024

面向法律专业人员的，将自动摘要技术应用于长篇法律文书以便满足用户多样化信息需求的研究，引入了一种来自欧洲人权法庭司法管辖区域的面向方面的法律案例决策摘要的新数据集（LexAbSumm），并且通过评估针对长篇文档进行调整的多种生成性摘要建模方法揭示了这些模型在生成方面特定摘要上的挑战，以促进法律领域方面的摘要研究。

Mar, 2024

我们通过引入深度神经网络的短语评分框架，将文档进行编码并汇总为连续向量空间的方法来解决法律案件检索任务，同时探索了词汇特征和神经网络生成的潜在特征的结合带来的好处。实验证明，词汇特征和神经网络生成的潜在特征相互补充，提高了检索系统的性能。此外，实验结果表明了案件汇总在不同方面的重要性：使用提供的摘要和执行编码摘要。我们的方法在法律案件检索任务的实验数据集上实现了 65.6% 和 57.6% 的 F1 得分。

Sep, 2023

该研究提出了一种在印度法律文本中标准化文本的方法，并测试了两种最先进的专业无关模型用于法律文本摘要。通过领域专家的评估和 ROUGE 指标的使用，结果表明所提出的文本标准化方法在专业无关模型中的效果很好。

Jun, 2022

本文提出了一种将论证角色标注集成到摘要生成过程中以捕捉法律文件的论证结构的简单技术。使用预训练的语言模型进行的实验表明，我们提出的方法比强基线表现更好。

Sep, 2022