该研究介绍了一种用于法律文件信息抽取的端到端系统，实验结果表明，该系统可以在少于 50 个训练样本的情况下比基于规则的基线方法得到更好的结果，并且使用 200 个样本可以得到更高的得分，并且使用这个系统从醉酒驾驶和欺诈两个案例类别的 3.5 万个案例中抽取出的结构化信息真实反映了韩国法律系统的宏观特征。

Nov, 2022

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

通过构建综合的双语（英语和汉语）信息抽取指示语料库 IEPile，可以提高大语言模型在信息抽取中的性能，尤其是零样本泛化能力。

Feb, 2024

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

本文介绍了一种信息提取工具，可以自动处理大规模无结构文本数据，支持多语言文档的全文、元数据和实体的提取，重点支持三个主要因素以服务于跨国界新闻调查，最终实现了数据集的快速探索以及潜在故事的挖掘。

Sep, 2018

本文提出利用 Code-LLMs 如 Codex 代替 NL-LLMs，通过设计以代码为形式的提示和将 IE 任务制定为代码生成任务，有效地解决了信息提取任务的难题，并在七个基准测试中显示其优越性。

May, 2023

将简历信息提取任务转化为句子分类任务，提高分类规则创造更大和更细粒度分类数据集，测试预训练语言模型在语料库的表现，并探索训练样本数量与正确率之间的关系。通过改善注释规则和增加数据集样本大小，改善了原始简历数据集的准确性。

Aug, 2022

该研究创建了第一个意大利神经心理学命名实体识别数据集，PsyNIT，并使用它开发了用于此任务的大型语言模型。通过多中心模型实验，建立了方法论指导，未来还可为意大利医院提供重要的研究机会。

Jun, 2023

使用深度学习方法实现在 COLIEE 2020 中自动的法律检索和法律问题解答系统，该方法通过在大量数据上进行预训练并进行微调，克服了数据稀缺性并取得了良好的性能，在信息检索和法律决策支持等领域具有相关应用价值。此外，这种方法也可以用于解决其他领域特定的问题。

Nov, 2020

信息提取是从自然语言文本中提取结构化知识（如实体、关系和事件）的过程。最近，生成式大型语言模型（LLMs）在文本理解和生成方面展示出了显著的能力，允许在各个领域和任务中进行概括。为了对 LLMs 在信息提取任务中的努力进行全面系统的回顾和探索，我们通过调查这个领域的最新进展来进行研究。我们首先通过以各种信息提取子任务和学习范式进行分类来呈现一个全面的概述，然后我们经验性地分析最先进的方法并发现使用 LLMs 的信息提取任务的新兴趋势。通过进行彻底审查，我们确定了一些技术见解和有希望进一步探索的研究方向，值得在未来研究中持续探索。我们在以下网址维护一个公共资源库并定期更新相关资源：https://github.com/quqxui/Awesome-LLM4IE-Papers。

Dec, 2023