通过使用刑法条文的定义，基于刑法条款中的正式术语来解决不同罪案之间表达差异的问题，用于辅助法律助手系统中的罪案预测技术，并使用集成的句子和单词级别的注意机制来创建辅助事实表示。实验结果表明，我们的模型在类别数据有限的情况下，有望显著提高辅助系统的预测性能。

Nov, 2019

该研究提出了一种基于注意力机制的神经网络方法来共同模拟指控预测任务和相关法律条款提取任务，实验结果表明，相关条款可以清晰地改善指控预测结果，该模型可以有效地预测不同表达风格的案件指控。

Jul, 2017

该研究提出了一种新颖的少样本域自适应方法 (DLCCP)，旨在改进非专业人士友好的指控预测模型。通过设计优化目标，将内容和样式空间解纠，同时提取和对齐元素级和实例级内容表示，该方法在开放数据集 NCCP 上的实验证明了其优越性。

Sep, 2023

该研究通过提出一种基于标签的 Seq2Seq 模型，旨在从刑事案件的事实描述中生成法庭观点，以提高刑事指控预测系统的可解释性和帮助自动生成法律文件。

Feb, 2018

本文提出了一种名为 LADAN 的端到端模型，用于自动预测法律案例的判决结果，并通过图神经网络和注意机制来解决类似法律条款混淆的问题，实现在不同法律系统中的应用。

Apr, 2020

本文提出了基于 MoCo 的有监督对比学习方法，通过预训练数值模型提取刑事金额以提高案件描述的表征，解决了刑事案件分类中的混淆问题和量刑预测问题。实验结果证明该方法在公共基准测试中具有新的领先水平。

Nov, 2022

本文探讨了信任的罪名预测模型应该考虑法律理论，并提出了三个原则：敏感、选择性和推定无罪。作者设计了一个新的框架来评估现有的罪名预测模型是否学习了法律理论。结果表明，虽然现有的罪名预测模型在基准数据集上满足选择性原则，但它们大多数仍不够敏感，且不符合推定无罪的原则。

Oct, 2022

本文研究如何通过限制的注释数据和狭窄的知识领域下的传统关系提取任务。研究使用包含 200 个乳腺癌随访治疗信函的临床语料库，并在其中注释了 16 种不同类型的关系。实验指出，使用调节实体提及的相关类型的上下文窗口的窗口限制共现方法 (WBC) 来提取有类型关系是较为理想的。与一个更典型的句内共现基准进行比较，我们进一步提出一种基于最先进的词嵌入和词同义词的概念包 (BoC) 方法进行特征工程。论文结果表明，与更高复杂度的方法相比，BoC 方法具有竞争力，并且可以在这个小数据集上发挥很好的效果。

Apr, 2019

本文介绍了一种融合领域知识的自我监督分子表示学习模型，通过在对比学习框架下显式编码领域知识，将化学领域知识融合到分子图表示中，证明这种方法可以区分具有相似化学公式但不同功能的分子。在 8 个公共数据集上进行的实验表明，该模型具有显著的有效性，相对于强竞争对手平均有 6％的绝对改进。消融实验和进一步的研究也证实了将化学领域知识纳入自我监督学习的最佳方法。

Mar, 2021

本文提出了一种基于食谱流程图的框架，来预测开放领域中流程文本的流程图，通过实现领域适应模型，实验结果表明领域适应的模型比只在烹饪或目标领域数据上训练的模型具有更高的性能。

May, 2023