本篇论文介绍了一种新的基于多源知识的 Commonsense 验证和解释体系结构，名为 KEGAT，利用考虑结构化知识库（即 ConceptNet）和非结构化文本的异构知识来提高机器在 Commonsense 理解方面的能力，其公告代码名为 ECNU-SenseMaker。该模型通过运用适当的 Commonsense 结合方法和升级的数据增强技术具有强大的 Commonsense 推理能力，并协作采取内部共享机制以防止模型因 Commonsense 不足或推理超量而表现不佳。该系统在 SemEval-2020 Task 4 中的 Commonsense Explanation 子任务中取得了最先进的准确率。

Jul, 2020

本文描述了我们针对 SemEval2020 Task 4 C 任务提交的 mUlti-task learNIng for cOmmonsense reasoNing (UNION) 系统，该系统提出了一种统一的端到端框架，利用了多个现有的常识数据集，并提出了辅助自动评估度量，以高效、准确、及时地执行模型选择。该系统不仅在指标上表现良好，而且在人类评估上得到了最高得分，同时仍保持着 15.7 的 BLEU 得分。

Jun, 2020

该论文介绍了我们的系统如何结合大型预训练语言模型和双重多头互注意力层以加强问题 - 答案对与段落之间的关系，在此基础上通过增加层归一化模块和 WordNet 的定 义作为额外输入来优化我们的模型，从而在 SemEval 2021 Task 4 的官方测试集中获得了 86.67% 和 89.99% 的准确率。

Mar, 2021

本文提出了一种通过利用大规模常识和基于命名实体的知识实现的新型开放域对话生成模型，该模型还利用了与每个话语相关的非结构化主题特定知识，并通过使用共指提高了常识知识。提出的模型利用多跳注意力层保留对话历史和相关知识的最准确和最关键的组成部分，还用到 Commonsense and Named Entity Enhanced Attention Module。实验结果表明我们的模型在两个基准数据集上均显著优于最先进的方法。

May, 2022

本文提出了一种基于 BERT 模型架构和多任务学习的 “解释，推理和预测” 系统，用于解决 SemEval 2020（通识验证和解释）的子任务，包括通识的验证、推理和解释。该系统受通识认知研究启发，首先对句子的理解和推理做出解释，然后通过多任务学习来选择一条制约语句是否合理，最终在评估中取得了不错的效果。

Jun, 2020

本文介绍了我们在 SemEval 2022 Task 11：MultiCoNER Multilingual Complex Named Entity Recognition 中取得的成果，即：在多语言 NER 任务中，提供了一个统一的框架；在低资源代码混合 NER 任务中，采用了几种简单的数据增强方法；在中文任务中，提出了一种可以捕捉中文词汇语义、词汇边界和词汇图结构信息的模型。最后，我们的系统在子任务 11、12 和 9 的测试阶段分别获得了 77.66、84.35 和 74.00 的宏 F1 得分。

Apr, 2022

本文介绍了一种基于神经网络的 Hybrid Multi-Aspects (HMA) 模型，用于改进机器阅读理解中的多选题预测，该模型在 SemEval-2018 任务 11 中取得了 83.97% 的准确度，超过了基准系统和其它竞争对手。

Mar, 2018

本文提出了一种新颖的多头知识注意模型，该模型对半结构化的常识推理规则进行编码，并学习将它们纳入基于 Transformer 的推理单元中。在推理任务中，我们评估了模型在需要不同推理技能的两个任务上的表现，即推断性自然语言推理和反事实不变性预测，并展示了我们提出的模型相对于强大的最先进模型（例如 RoBERTa）在两个推理任务中的表现提高，通过扰动知识，并对模型的知识纳入能力进行定性分析，我们验证了模型推理能力的稳健性。值得注意的是，我们在最佳解释方面展示了学习执行反事实推理的模型对推断性推理任务的帮助，这在我们所知道的情况下是首次演示的。

Oct, 2020

本文介绍了一种名为 FusionNet 的新型神经结构，它通过三个方面的创新来扩展现有的注意力方法。我们将 FusionNet 应用于斯坦福问答数据集（SQuAD）中，并在官方 SQuAD 排行榜上取得了单一模型和集成模型的第一名。同时，我们验证了 FusionNet 的泛化性，并且它在两个对抗性 SQuAD 数据集上取得了新的最高水平。

Nov, 2017

本文介绍了我们团队使用 Roberta 模型进行多头注意力机制的人类价值自动识别方法，在 SemEval 2023 的评测中得到了第四名的成绩。

Jul, 2023