探究子句推荐策略
本文提出了一种基于可控图形机制的流水线，利用主题或类型生成法律条款，进而实现自动化法律合同生成。此方法涉及到两个阶段的计划和生成过程，以及从一般到特定从输入主题使用可控图形机制的关键字序列的依次安排，并基于给定计划生成条款。实验证明，我们的方法在各种契约主题上都非常有效。
Jan, 2023
引用推荐是根据给定的文本寻找合适引用的任务，该研究通过收集第一个学术法律数据集，对现有模型进行了实验和性能比较。研究结果表明，对于法律引用推荐任务，BM25 是一个强大的基准方法，而最有效的方法是使用 BM25 + 进行预提取，然后使用 SciNCL 进行重新排序，这将基准方法的性能从 0.26 提升至 0.30 的 MAP@10。此外，对预训练模型进行微调可以显著提高性能，这说明在这些模型的训练数据中包含法律文章的重要性。
Nov, 2023
该研究使用新的注释方案，将条款与条件合同中的不同类型从句子进行分类，旨在帮助法律专家快速识别和评估此类型法律文件中的问题。研究结果表明，通过在多语言 T5 和两种意大利 BERT 模型上进行少样本预训练，可以实现对分类的自动化，精度在 0.79 到 0.95 之间。
Feb, 2024
该研究提出了一种基于上下文的从整个段落中推断子句情境实体类型的方法，通过建立上下文感知的子句表示形式，提出了一种分层循环神经网络模型，成功的进行了情境实体类型分类，并且达到了人类级别的准确率。
Sep, 2018
我们提出了一种结合自然语言处理和机器学习技术的方法，通过创建文本嵌入来增强法律案例描述的组织和利用，实现无监督聚类和有监督引文检索，以自动化提取引文的过程，从而实现更高效、节省时间、便捷的法律研究和论证。
May, 2024
本文提出了一种新的摘要提取系统，以自动选择契约中最重要的义务、权利和禁令等内容进行合同文本的摘要生成，通过将其与几种文本排名基准进行比较，通过自动和人工评估，证明了该系统的有效性。
Dec, 2022
合同分析是一项重复且不可或缺的过程，为了避免业务风险和责任，需要识别和分类协议中的关键条款和段落。本研究提出了 LegalPro-BERT，一种预训练的大规模语言模型，经过法律分类校准后用于有效处理法律条款的分类任务，并通过与当前基准结果的比较证明其性能优于以往研究的基准。
Apr, 2024