使用文本分析方法，基于餐饮行业中的 50K 句子，对对话系统中从意义表示到生成自然对话的进行了探究，使用不同的风格分区来训练和生成自然对话，并证明了标记风格变量的方法可以调整生成对话的风格。

Sep, 2018

通过神经机器翻译技术，本文提出并评估了一种新的方法，用于生成保持主题一致的餐厅评价，测试表明该方法具有极高的检测难度，同时本研究设计了高效的检测工具，证明虚假评论的自动检测仍然可行。

May, 2018

通过分析西班牙语的 TripAdvisor 评论，本研究探讨了影响众包极性判断变异的三个重要因素：词性、情感词以及中性词。研究结果表明，单词标题中的形容词倾向于导致较低的判断变异，情感词和中性词也对判断变异起到了一定的影响。然而，这些影响在更长的标题中无法复现，这暗示更长的标题并不适合用来测试单词的歧义性。这项实证研究为研究人员提供了有价值的深入了解影响单词极性变异的因素，为自然语言处理从业者利用西班牙语数据进行极性判断和预测的研究奠定了基础。

May, 2024

探讨在真实场景中提高神经机器翻译质量的挑战，通过基于情感分析或特定于领域的多义词汇的翻译准确性等任务特定指标的性能评估，表明本文提出的基于最新技术的机器翻译鲁棒性模型明显优于现有在线系统。

Oct, 2019

检测顾客评价中的非典型方面，通过手动注释三个领域的基准数据集，使用多种语言模型评估提取模型的性能。

Nov, 2023

通过使用大规模语言模型和图像模型构建 AiGen-FoodReview 数据集，本论文提供了检测和识别机器生成的虚假评论的方法，该方法能在单模态和多模态情况下取得接近真实数据性能的可扩展并可解释的检测结果。

Jan, 2024

利用高质量的 Yelp 餐馆精英评论来生成假评论，并最终微调 GPT 输出检测器以预测并显著优于现有解决方案的假评论，进而预测非精英评论并识别跨多维度（例如评论、用户和餐厅特征以及写作风格）的模式。虽然社交媒体平台可以实现检测系统来过滤可疑评论，但是机器生成的假评论对社交媒体平台仍带来不断的挑战。

Feb, 2023

本文探讨了自然语言生成在任务导向对话中的应用，提出了三种序列到序列模型，并考虑如何实现内容和风格的分离，通过控制 36 个风格参数，实现对语义和风格的高度还原。

May, 2018

本文提出了一种名为 RevGAN 的新模型，可根据任意给定的情感和文体信息生成可控和个性化的用户评论，使用自注意递归自动编码器、条件鉴别器和个性化解码器等三个组件，该模型在多个真实世界数据集上的表现明显优于现有的生成模型，在句子质量、连贯性、个性化和人类评估方面都表现出色，同时我们还通过实验证明了生成的评论与有机生成评论并没有明显区别，并遵循相同的统计语言规律。

Sep, 2019

通过使用个性化的检索系统来增强生成器，构建能够更可靠地生成存在检索关系、多样化且被人工评估认为更信息丰富的解释的模型。

Sep, 2022