本文提出了一种填补不同语言版本 Wikipedia 的文章覆盖范围空白的方法，通过识别缺失的文章，根据其重要性进行排序，并基于编辑人员的兴趣推荐给他们，经验证，个性化推荐可以将编辑人员的参与度提高两倍，推荐文章被创作的概率提高 3.2 倍，且创作出的文章的质量与自然创作的文章可比拟。该系统可以带来更多参与的编辑人员和更快地发展 Wikipedia，同时不会对其质量产生影响。

Apr, 2016

本文提出了一种在低资源环境下生成段落标题的技术，采用具有无监督字表示如 ELMo 或 BERT 的半马尔可夫条件随机场的压缩方法，将效果与高资源的序列到序列模型相媲美，而在低资源情况下表现更为出色，对阅读能力较差的人群的正面效果尤为明显。

Apr, 2019

本文提供了一种将零散的次级维基百科文章匹配回其对应的主要文章的方法，以便于自动化维基百科管理和处理，并使用多种变体的神经文档对编码器结合全面的显式特征的分层学习结构。该方法在一个大型众包数据集上获得了令人满意的交叉验证结果，并显著优于以前的方法。

Jul, 2018

利用维基百科的结构化知识，我们设计了四种针对信息检索任务的预训练目标，实验结果表明，相较于现有的预训练方法，我们的模型在零样本和微调设置中都表现出优越的性能，尤其是在需要长文本相似度匹配的垂直领域。

Dec, 2023

应用大型语言模型写作系统在预写阶段，通过主题概述的综合来检索和多维度提问以生成有深度和广度与维基百科页面相当的长篇文章，评估结果显示，STORM 的文章在组织性和涵盖范围方面相较于基线模型更为出色。

Feb, 2024

本文综述了基于用户或物品侧面信息的推荐系统研究，并从方法论和侧面信息表示两个角度，概括了基于记忆、潜在因子、表示学习和深度学习等不同方法的最新推荐算法。同时阐述了结构化数据和非结构化数据的侧面信息表示，并探讨了应用推荐系统面临的挑战和未来发展方向。

Sep, 2019

提出了基于段落级别的引用推荐任务，通过 fine-tune 模型和四元组损失函数在 ACL 论文数据集上的实验，证明了该方法的优越性。

May, 2023

文档收集的典型结构与循环主题之间的关系是核心问题，提出了一种基于图的方法来提取整个收集的结构，并希望未来的工作能够利用这种方法进行多文档应用和结构感知模型的研究。

Feb, 2024

通过抽取式摘要识别重要信息并使用神经摘要模型生成文章及段落以及整个维基百科文章，特别是引入可扩展关注长序列的仅解码器结构，当给定参考文献时，该模型可以提取相关的事实信息。

Jan, 2018

该论文通过对网络上论文数据的主题分割，构建出一个包含七百万篇文献数据的多主题数据集，并创建出一套主题分类体系以注释每篇论文的主题归属，从而可以将其作为既包含各学科领域文献数据的异构文献资源集，又可分割为单一研究领域所对应的同质文献集的多主题数据集。

May, 2022