通过对序列到序列模型进行改进，将单词难度、生成多样性等因素纳入损失函数并在测试时使用多个简化候选项进行筛选、排序，成功提高了句子简化的质量，并取得了与最先进系统相媲美的自动化和人工评估成果。

Apr, 2019

通过对句子语法和词汇约束的控制，本文提出了一种可以满足不同用户简化需求的 CROSS 句子简化模型，使用 Transformer-based 结构，在两个基准数据集上实验表明，语法和词汇约束对于成功的简化至关重要。

Oct, 2019

本文旨在借助神经机器翻译中的一种新方法 —— 神经语义编码器，对句子简化这一任务进行了研究，实验结果表明，该方法在不同简化数据集上的自动评估措施和人工评估方面都表现出了显著的效果。

Apr, 2018

本文介绍了一种基于语义相关性的神经模型，用于促进文本摘要和语言简化的源文本和简化文本之间高度的语义相似性。

Oct, 2017

我们提出了一种新的迭代式基于编辑的无监督句子简化方法，其模型通过包括流畅性、简洁性和意义保持在内的评分函数进行指导，并在复杂句子上迭代执行单词和短语级别的编辑。与之前的方法相比，我们的模型不需要并行的训练集，但更可控和可解释。对 Newsela 和 WikiLarge 数据集的实验表明，我们的方法几乎与最先进的监督方法一样有效。

Jun, 2020

本文提出了一种基于序列到序列的句子简化模型，通过多任务学习及时改进其包含性和释义能力。文章还介绍了一种新的多层软共享方法，以及一种动态学习的多臂赌博机训练方法，实验结果表明我们的模型在语义相关任务上的表现优于竞争模型。

Jun, 2018

使用离散参数机制在序列到序列模型中为用户提供明确控制简化系统的方法，进而在简化基准测试中实现比标准模型更好的结果，并建立了 ACCESS 模型作为人群中心的句子简化的技术水平。

Oct, 2019

本论文提出了一种基于自动语义分析器的简单有效的句子分割算法，并通过神经机器翻译进行进一步微调的简化操作，其中采用语义分析为基础的分割方式可以有效地解决以往机器翻译的过于保守的问题，经过广泛的自动化和人工评估，该方法在词汇和结构简化方面表现优异。

Oct, 2018

本文使用零 / 少量数据训练的大型语言模型在众多基准测试集上进行了实验分析，结果表明 LLMs 优于最先进的句子简化方法，并被评为与人类标注者一致。

Feb, 2023

本文介绍了一种新的神经 CRF 对齐模型，用于提高给定语料库中文本简化系统的句子对齐质量，并构建了两个新的文本简化语料库，经过实验证明，本文所提出的方法比以前的所有工作都要表现好，为文本简化的自动化和人工评估奠定了基础。

May, 2020