本文提出 VarNDRR，这是一种基于生成模型的变分神经篇章关系识别器。与现有的使用强大手工特征或深度篇章表示的判别模型不同，VarNDRR 建立了一个具有潜在连续变量的有向概率模型，用于生成篇章和篇章两个论点之间的关系。通过利用神经篇章关系模型来近似潜变量的先验和后验分布，并采用这些拟合分布优化变分下界，可以使 VarNDRR 使用标准随机梯度方法进行训练。实验表明，VarNDRR 在不使用任何手工特征的情况下，与现有的最佳模型相比具有可比性的结果。

Mar, 2016

提出一种基于神经网络的生成架构，通过潜在的随机变量来建模具有复杂依赖关系的分层结构顺序数据，将该模型应用于对话响应生成任务并与最近的神经网络架构进行比较，实验证明该模型可以提高生成长输出的准确性并维持上下文信息。

May, 2016

提出了一种基于知识图谱关系的潜在关系语言模型 (Latent Relation Language Models, LRLMs), 该模型不仅能提高语言建模性能，还能添加实体跨度的后验概率，实验结果表明该模型的性能优于基准模型和之前的知识图谱信息存在的模型，定性分析进一步证明了所提议的模型在上下文中预测适当的关系的能力。

Aug, 2019

本研究提出了一种基于注意力机制的双向长短时记忆网络模型，将论述关系的参数组合作为一个联合序列来模拟可以胜过不考虑词序的方法。我们的模型采用了部分采样方案，概念上简单，但是在中文语境的论语树库中取得了最先进的性能，我们还通过可视化其注意力机制的活动状态，说明了该模型在选择性关注输入序列相关部分方面的能力。

Apr, 2017

本文介绍了一种用于解释任务对话建模的新型系统，基于离散潜变量表示对话行为。该模型基于变分循环神经网络，无需显式的语义信息。与以前的工作不同，我们的方法分别对系统和用户轮次进行建模，同时执行数据库查询建模，使得该模型适用于任务对话，同时生成易于解释的操作潜变量。我们展示了我们的模型在三个数据集上以较少的监督下在困惑度和 BLEU 方面优于以前的方法，并提出了一种衡量对话成功的新方法，无需专家注释。最后，我们提出了一种关于系统操作的潜变量语义的新方法来解释。

Sep, 2022

本研究使用 Tree-LSTM 模型和 Tree-GRU 模型将句法分析树加入神经网络以编码关系中的参数，同时利用组成标记控制这些树状神经网络中的语义组合过程，实验结果表明我们的方法在 PDTB 语料库中达到了最先进的性能。

Mar, 2018

本文提出了基于 TopicRNN 的语言模型，它结合了 RNN 和潜在主题模型的优点，能够捕捉本地（句法）和全局（语义）依赖关系，并更好地预测单词。实证结果表明，TopicRNN 在单词预测方面优于现有的上下文 RNN 基线，并且可以作为无监督特征提取器用于情感分析。

Nov, 2016

利用依存分析和基于规则的指标，我们能够通过利用显式的篇章关系来筛选高质量的句子关系任务，从而得出高质量的句子嵌入向量及用作 BERT 等更大型模型的监督微调数据集。

Oct, 2017

本文提出了一种将对话级别的语篇信息融入语言模型中的上下文语言模型，该模型在 Switchboard Dialog Act Corpus 上表现出比传统单轮 RNN 语言模型更好的性能。

Jan, 2017

提出一种基于潜在变量的模型，可用于预测文本序列之间的关系，并在半监督自然语言推理和改写识别方面取得了最新进展。

Jun, 2019