本研究提出了一种在低资源环境下提取法律决策摘要的技术，利用有限的专家注释数据。通过顺序模型定位相关内容和最大边际相关性处理冗余，生成有信息量的摘要。通过多任务学习模型变体进一步提高摘要器性能。实验结果表明，该方法能够与专业提取的摘要相匹配。

本研究提出了一种在低资源环境下提取法律决策摘要的技术，利用有限的专家注释数据。通过顺序模型定位相关内容，并利用最大边际相关性处理冗余，生成组合摘要。通过隐式方法帮助培训建议模型生成更多有信息量的摘要。多任务学习模型通过辅助任务提高摘要器性能。实验结果表明，该方法能够实现与专业提取的摘要相匹配的得分。

本研究提出了一种在低资源环境下提取法律决策摘要的技术，通过顺序模型定位相关内容并处理冗余，生成组合摘要。隐式方法帮助培训建议模型生成更多有信息量的摘要，多任务学习模型提高摘要器性能。实验结果表明，该方法能够实现与专业提取的摘要相匹配的得分。

本研究提出了预测对话中情感的新问题（PEC），通过三个维度的建模，融入了两种深度神经网络架构。实证评估结果显示自依赖和最近性模型对预测任务的重要性，顺序模型在短对话中的质量以及图神经模型在改善长对话的预测中的重要性。

该研究提出了一种在低资源环境下操作的技术，用于在法律决策摘要中提取摘要。研究者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。通过多任务学习模型变体，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。实验结果表明，该方法可以实现与专业提取的摘要相匹配的得分。