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

本文提出了一种基于无监督的基于图的排名模型，用于提取科学文献的摘要。我们的方法假定源文档采用两级分层图表示，并利用不对称的位置提示来确定句子的重要性。在 PubMed 和 arXiv 数据集上的结果表明，我们的方法在自动指标和人工评价方面优于强无监督基线。此外，其性能与许多基于监督学习的方法相当。这些结果表明，篇章结构中的模式是确定科学文章重要性的强有力信号。

May, 2020

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

提出了一种考虑文档的论证结构进行长篇法律意见的抽象概述的简单方法，其中使用论点角色信息生成多个候选摘要，并基于与文档的论证结构的对齐重新排序这些候选项。证明了该方法在长篇法律意见数据集上的有效性，并表现优于一些强基线。

Jun, 2023

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

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

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

本研究提出了一种在法律决策摘要中提取摘要的技术，该技术利用有限的专家注释数据在低资源环境下操作。我们测试了一组使用顺序模型定位相关内容的模型，并利用最大边际相关性来处理冗余以组合摘要。我们还展示了一种隐式方法来帮助培训我们的建议模型生成更多有信息量的摘要。我们的多任务学习模型变体通过将修辞角色识别作为辅助任务来进一步提高摘要器的性能。我们对包含来自美国退伍军人委员会的法律裁决的数据集进行了广泛的实验，并对我们的模型进行了定量和专家排名评估。我们的结果表明，所提出的方法可以实现 ROUGE 得分与与专业提取的摘要相匹配的得分。

Oct, 2022

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