本文探讨了使用抽象式摘要模型生成司法判决结果的可行性，通过对印度法院判决结果运用数个领域专用和通用语言模型进行检验，发现在标准摘要质量度量标准中抽象式摘要模型略优于抽取式模型，然而生成的抽象式摘要信息通常不一致或产生幻象，因此，目前介入人员进行检查和校对更为合适。

Jun, 2023

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

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

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

本研究基于一个标注过的含 430K 篇美国案例的数据集，使用强化学习算法构建了 MemSum 模型，在自动摘要质量评测中表现最佳，甚至胜过了基于 transformer 的模型。同时，人工评测也证明 MemSum 的摘要能够有效捕捉到庞大而冗长的法律案例的关键点。鉴于这些结果，我们将模型开源，旨在推动法律民主化进程，提高公众获取美国法律案例的能力。

May, 2023

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

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

本文采用神经抽象总结的方法来产生长文档的抽象总结，该方法使用一个简单的抽取步骤来生成一个摘要，然后将其用作相关信息的转换器语言模型的条件，然后生成一个摘要。我们展示了这个抽取步骤显著地改善了总结结果，而且这种方法产生的抽象总结比以前采用复制机制的工作能够实现更高的浸润得分。

Sep, 2019

本研究提出了一种基于意图的自动摘要度量，通过在法律文件中注释意图短语，证明了该系统可以被自动化，相比于其他自动化度量如 BLEU，ROUGE-L 等，该度量在人类满意度方面表现更好。

May, 2022

自动摘要是计算机缩短文本数据的过程，以创建一个表示原始文本中最重要的信息的子集 (摘要)。现有的摘要方法大致可以分为两类：抽取式和生成式，前者会从源文档中显式选择文本片段 (单词，短语，句子等) ，而后者则会生成新的文本片段来传达源文件中最突出的概念。

Apr, 2022