通过端到端的无监督深度学习方法，可以有效地建立并评估理解连贯文本结构的模型，从而实现有用的文本表示方法，有利于句子语义相似性和重复检测等 NLP 任务的完成。

Nov, 2016

本文提出了一种基于图神经网络的句子排序模型，通过共享实体来建立更具表达力、噪音更小的图表示，可以更准确地学习语义表示，实验结果表明，我们提出的模型准确性高于现有的最先进系统，并对实体如何帮助性能进行了深入分析。

Dec, 2019

通过使用多粒度顺序、约束图和图神经网络，我们设计了一种新的排序方法，取得了新的最优表现，结果表明了使用多种排序信息和图神经网络整合句子内容和顺序信息的优势。

Jan, 2021

本文介绍了把文章句子排序问题转化为约束求解问题，提出了一种新技术，并提出了人类评估方法，结果表明该新技术在捕捉文档连贯性方面更好。

May, 2020

本论文提出了一个基于注意力机制的排序框架，旨在训练模型进行句子排序和辨别任务。该框架采用双向句子编码器和自注意力变换网络以获取与输入顺序无关的段落表示。同时，它能够使用各种基于排序的损失函数进行无缝训练，并在两个任务中应用。实验结果表明，该框架在多个评估指标上优于众多最先进的方法。同时，相对于点对排序损失函数，该框架在使用点对和列表排序损失函数时取得更好的结果，这表明将两个或多个句子的相对位置纳入损失函数有利于更好的学习。

Dec, 2019

本文提出一种端到端的神经方法来解决句子排序问题，该方法利用指针网络（Ptr-Net）以减轻错误传播问题，并利用整体上下文信息。实验结果表明了所提出模型的有效性。

Nov, 2016

本研究旨在提出一种新闻类多文档摘要中信息排序的方法，该方法综合考虑事件的时间先后和主题相关性约束，经实验证实了该方法相对于两种基准方法有显著的排序改进。

Jun, 2011

该论文提出了一种基于图神经网络的新方法，通过构建短篇小说的句子 - 实体图并利用 BERT 模型来学习句子的语义表征，减少图中的噪声，结合多种现有方法进行聚合以提高句子排序的性能，效果显著，使完美匹配率和 Kendall's Tau 指标分别提高了 5% 和 4.3%。

Mar, 2022

本文提出了一种新颖的句子排序框架，它引入了两个分类器来更好地利用基于图的句子排序的成对排序，该模型在五个常用数据集上进行了实验，并证明了其有效性和普遍性。

Oct, 2021

在这篇论文中，我们提出了一种新颖的端到端神经网络框架，通过联合学习对句子进行评分和选择来实现摘要提取。在 CNN / Daily Mail 数据集上的实验证明，我们的方法比现有的抽取式摘要模型表现出更好的效果。

Jul, 2018