本文介绍了一种基于工作记忆模型的神经网络方法，用于自动生成中国诗歌，实验结果表明，该方法在诗歌的连贯性和表达自然性方面表现优异.
Sep, 2018
本文提出了一种创新的两阶段诗歌生成方法，首先根据用户的写作意图规划诗歌的子主题，然后使用改进的循环神经网络编解码框架连续生成每行诗句，该规划方法可以确保生成的诗句具有连贯性和语义一致性，综合人工评价结果表明该方法优于现有诗歌生成方法，且诗歌质量与人类诗人相当。
Oct, 2016
本文提出了一种基于记忆的神经模型，利用图像生成古典诗歌。使用编码器 - 解码器模型和主题记忆网络，从图像生成中国古典诗歌，通过人工评估和定量分析证明该模型能够精确传达图像信息。
Mar, 2018
本文通过基于注意力机制的循环神经网络，利用一组关键字作为主题，生成类似于人类古诗词的诗歌，方法包括字符向量初始化、注重输入和混合式训练等技术。相比于现有的诗歌生成方法，我们的模型生成的诗歌与主题更加一致，语义更加丰富。
Jun, 2016
本文利用基于注意力机制的序列到序列模型生成中国宋词。通过双向 LSTM 模型对提示句进行编码，再通过基于注意力的 LSTM 模型预测整个倚仗，可以通过输入线索的细微结构来规范化生成过程。研究了几种技术来改进模型，包括全局上下文整合，混合式风格训练，字符向量初始化和适应性。通过自动和主观评估结果表明，我们的模型确实可以学习到宋词复杂的结构和韵律模式，且生成成功。
Apr, 2016
采用 RNN 编码器 - 解码器模型，基于序列 - 序列学习方法，以话题词为输入生成四行句（即汉语诗歌绝句），系统能学习单句语义及行与行之间的语义相关性，并利用结构、韵律和音调模式生成古诗，且无需任何限制性模板，实验结果表明我们的系统优于其他竞争系统，并发现注意力机制可以捕捉汉语古典诗歌中的词语联系，训练时颠倒目标行可以提高性能。
本文提出了一种利用非文言文生成古典诗歌的新任务，并采用了无监督机器翻译的方法，在语义上给予用户更多控制权，通过基于分词的填充和强化学习等方法，取得了很好的实验效果，同时探索了如何提高生成诗歌的输入口诀，得到了高质量的诗歌生成。
Aug, 2019
本文介绍了一个名为 Deep Poetry 的中国古典诗歌生成系统，它使用神经网络进行训练，并可以接受多模态输入。该系统可接受普通文本、图像或艺术概念等输入来生成中国古典诗歌，并且允许用户参与诗歌创作过程。该系统部署在微信小程序平台上，用户可在移动设备中随时随地使用。
Nov, 2019
本文提出了一种新的中文诗歌生成机制 ——Salient-Clue 机制，该机制从每一行中自动选择最显著的字符逐渐形成显著线索来指导接下来的诗歌生成过程，以消除中断和提高连贯性，并能够灵活地扩展到不同方面的诗歌控制，例如诗歌风格等，实验结果表明，此机制效果显著，胜过三个强基线。
本研究使用 BART 和其他预训练模型，提出 FS2TEXT 和 RR2TEXT 以生成韵律诗和特定风格的诗歌文本，并解决了用户写作意图逐渐降低所生成的诗歌文本相关性的问题。同时，运用此模型进行的 AI 诗歌图灵测试显示高水平的诗歌爱好者不能区分 AI 生成的诗歌与人类的诗歌，显示出此模型在诗歌生成方面的出色表现。此模型有望帮助那些缺乏语言能力和创作灵感的现代诗人。
Nov, 2022