本文介绍了一种基于循环神经网络的编码器 - 解码器结构，其中引入了一个基于 LSTM 的解码器来选择、聚合输入元素上产生的语义元素，并生成所需的话语，该提议的生成器可以联合训练句子规划和表面实现以生成自然语言句子，实验结果表明，所提出的生成器不仅在所有自然语言生成领域中一致优于先前的方法，而且还具有从新领域进行泛化和从多领域数据集中学习的能力。

Jun, 2017

本文提出基于联合循环卷积神经网络结构的统计语言生成器，可以在不需要语义对齐或预定义语法树的情况下，训练对话行为 - 话语对。客观指标表明，在相同的实验条件下，这种新模型优于以前的方法。人类评委的评估结果表明，它产生的不仅是高质量而且是语言上多变的话语，而且与 n-gram 和基于规则的系统相比受到更多的青睐。

Aug, 2015

本文提出了一种基于循环神经网络 (RNN) 的自然语言生成 (NLG) 新方法，其中在 RNN 计算之前应用了门控机制，以使得该模型能够生成适当的句子，并可通过共同训练句子规划和表面实现以生成自然语言响应。实验结果表明，该生成器在所有 NLG 领域中均表现出更好的性能。

Jun, 2017

本文提出了一种基于条件变分自编码器 (CVAE) 的 RNN 的跨领域自然语言生成方法，实现了高度多样性的句子生成，并在数据有限的情况下展现了更好的性能。

Dec, 2018

介绍了一种基于语言模式的分层解码自然语言生成模型，与传统的基于 RNN 和 seq2seq 的编码器 - 解码器模型相比，该模型表现更好且模型规模更小。

Aug, 2018

本文提出了一种基于编码 - 汇聚 - 解码的深度学习模型，其中语义汇聚器是由 Aligner 和 Refiner 两个组件组成的注意力机制，用于选择和聚合语义元素，实现自然语言生成，实验证明该模型在四个不同的自然语言生成领域中性能均优于之前的方法。

Jun, 2017

本研究提出一个通过共享潜变量将自然语言理解和自然语言生成相结合的生成模型，可在平面和树形形式表示的两个对话数据集上达到最先进的性能，并展示了该模型可以利用未标记数据进行半监督学习以提高其性能。

Jun, 2020

本研究旨在使用自然语言生成技术快速生成英语语言学习应用的内容，并控制生成的结果以满足相关要求。根据语言学习水平及语法结构等因素，我们尝试使用预训练深度模型进行控制，评价结果表明，我们可以控制实现多样化、定制化内容的同时，实现较高的语法质量。

Nov, 2022

我们提出了一个新颖的系统，可以从一组最小的有意义的词（例如名词、动词和形容词）中，自动地生成西班牙语句子，并能适应其他语言。该系统利用了语言学的知识、词汇和语法，能够从用户提供的主要词汇集中生成完整、连贯和拼写正确的句子。该系统旨在具有整合性、可移植性和高效性，并且可以被轻松地适应其他语言，并且可以被整合到各种数字设备中。该系统通过自动和手动评估，可以在辅助交流、自动生成行政报告或新闻等不同应用领域中发挥潜在的作用。

May, 2024

本论文提出并解决了通过两种文本生成范例 —— 统计机器翻译和深度学习，生成连贯故事的任务。使用两种 SMT 方法和一个深度 RNN 架构，将可变长度的输入描述编码为对应的潜在表示，并解码以生成形式完备的故事总结。在一个公开数据集上，利用常见的机器翻译和总结评估方法证明了所建议方法的有效性。

Jul, 2017