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

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

本文提出了一种摘要框架，通过将目标的所有评论压缩为多个密集向量以代替传统的前置筛选步骤，从而最大化地保留所有信息，进而生成更具信息量的摘要，并且采用零样本技术，能够有效地生成根据用户需求定制的摘要，实验结果表明了该模型在 Rotten Tomatoes 数据集上的优越性能。

Sep, 2019

本论文提出了一种基于方面查询的定制摘要生成方法，使用多示例学习模型诱导的方面控制器创建 (review,summary) 对的合成训练数据集，通过微调预训练模型，生成修改方面控制器的方面特定摘要。在两个基准测试中，我们的模型表现优于先前的技术水平，并通过控制讨论的方面数量生成个性化摘要。

Sep, 2021

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

我们提出了一种无监督的意见摘要方法，该方法将顾客评论中的句子编码到分层离散的潜空间中，然后基于编码的频率识别常见的意见，并通过解码这些频繁的编码生成抽象摘要和通过选择分配给相同频繁编码的句子生成提取摘要

May, 2023

我们提出了一个新颖的法律摘要评估框架，利用 GPT-4 生成一系列覆盖参考摘要中主要观点和信息的问题 - 回答对。然后，根据参考摘要中的问题，利用 GPT-4 生成回答。最后，GPT-4 对参考摘要和生成摘要的回答进行评分，并检验了与人工评分之间的相关性，结果表明这种基于问题回答的 GPT-4 方法可以成为评估摘要质量的有用工具。

Sep, 2023