提出了一种名为 BFGAN 的新算法框架，通过使用向前和向后生成器一起生成词汇限制句子，并使用鉴别器通过分配奖励信号来指导两个生成器的联合训练，以解决向基于 RNN 的模型中直接引入词汇约束所面临的挑战。

Jun, 2018

本文介绍一种基于 RNN 和 VAE 的生成模型，该模型可以显式地模拟句子的整体特征，并通过分布式的潜在表示编码句子的风格、主题和高级语法特征。模型生成多样且完整的句子，能够插值生成连贯且新颖的句子，并用于填补缺失的词，同时探索了潜在句子空间的许多有趣属性。

Nov, 2015

本文提出了一种生成式知识迁移的技术，使用以前训练的基于 RNN 的语言模型 (RNN 学生网络) 生成的文本和输出概率来训练一个新的语言模型。我们还可以通过使用多个教师网络的软标签组合来提高性能，从而适用于隐私意识的语言模型自适应，因为不会直接使用用户数据进行训练。特别是，当多个设备的软标签通过可信的第三方进行聚合时，我们可以期望非常强的隐私保护。

Aug, 2016

本文研究了如何将 RNN 语言模型与句子的句法依赖相结合，以提高递归神经网络 (RNN) 语言模型的性能和准确率，并在 Microsoft Research Sentence Completion Challenge 的评估中展示了其优越性，并达到了同类最先进模型的效果。

Jul, 2015

该研究论文系统梳理了存在于神经语言生成技术中的问题，并分别从文本生成任务、方法和评估度量指标三个方面，详细阐述了约束条件和条件约束这两种情况，并总结了当前约束神经语言生成技术的研究进展和面临的主要挑战，以期提高该领域的技术水平。

Jun, 2022

通过训练反向递归神经网络帮助正向模型预测长期未来信息，该方法可以提高生成递归神经网络的生成能力和语音识别和 COCO 字幕生成任务的性能。

Aug, 2017

本研究介绍了递归神经网络语法与其使用的高效推理过程，分别应用于句法分析和语言模型，实验结果表明在英文的句法分析和英汉语言模型方面，其效果均优于所有以前发表的有监督生成模型和最先进的序列 RNNs。

Feb, 2016

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

本文旨在研究对于资源贫乏的语言的快速语言注释工具的发展，我们采用递归神经网络模型实验了多种跨语言注释映射方法。我们提出了一种真正的多语言标记器方法，并通过使用平行语料库证实了其有效性和通用性。

Sep, 2016

通过学习多个判别模型的混合，帮助生成自然语言的循环神经网络更好地表达与 Grice 最大化原则这样的语言规律相关的交际目标，从而提高生成文本的连贯性、风格和信息质量。

May, 2018