（1）提出基于中性样本的深度语义表示方法。针对对比学习中正例样本过于相似，弱化了对比效果的问题，本文将对比损失与排序损失函数进行结合，创新性地提出构造中性样本来辅助正负样本的训练，优化句向量语义表示的空间分布。实验表明，该方法的性能在STS数据集上超越了当时最好的SimCSE模型。
（2）提出基于注意力交互的排序学习方法。该方法使用排序学习来对长文本句向量进行更精确的排序，首先以Pointwise方式微调模型，将其作为交互向量的编码器，然后构建排序注意力模型，将交互向量以Pairwise方式进一步优化排序。实践表明，该方法的性能在LeCaRD数据集上超越了Lawformer，在本系统中有助于法律长文本更精确的排序。
（3）根据上述提出的两个方法，实现检索的粗排与精排。粗排阶段利用语义表示方法对相似案例进行召回，由于该方法属于双塔结构的无监督语义编码器，可以提前存储句向量，从而实现快速召回。精排阶段将召回的100个相似案例利用长文本排序方法进行重排，进一步提高排序的精度。