本文探讨了自然语言生成的技术，并提出了基于 “读 - 关注 - 评价” 流程的新闻评论自动化生成方法，通过阅读网络和生成网络来理解新闻文章并生成评论。实验结果表明，该模型在自动评估和人类判断方面明显优于现有方法。
Sep, 2019
本研究提出了基于图到序列模型的评论生成方法，该模型将输入的新闻文章作为一个话题交互图进行建模，以更好地理解文章的内部结构和主题之间的联系，从而比传统编码器 - 解码器模型在在线新闻平台中为用户提供更连贯和有用的评论。
Jun, 2019
本文提出一种通过学习不同的自然语言表征和代码表征之间的关系，生成一系列编辑操作来更新现有自然语言注释的方法，并在开源软件项目集合上进行多个实验和对比，结果表明该模型性能优于其他算法。
Apr, 2020
本文在研究代码注释生成中，分析了采用翻译模型的可行性以及 BLEU 得分的校准方法，并提出了基于信息检索方法的合理基准线以及未来研究方向的建议。
Oct, 2020
提出了一种结合检索和生成方法的方法，使用关注模块检索有信息量和相关性的用户生成数据评论，然后与文章一起作为输入，使用具有复制机制的序列到序列模型。在大规模评论生成数据集上展示了该模型的稳健性并证明了其在 BLEU-1 得分方面比具有注意力机制的 Seq2Seq 和信息检索模型等强基线模型显着优越约 27 和 30 个 BLEU-1 点。
Oct, 2018
本文研究在线仇恨在新闻评论中的传播情况，提出了使用机器学习和自然语言处理实现半自动恶意语言检测的方法，并通过德国报纸评论数据集的测试发现，传统机器学习技术对于动态语言环境下的检测效果不佳，需要考虑时序动态性以避免使用不具实用价值的模型。
Jul, 2022
本文提出了社交媒体上自动生成个性化评论的任务，并基于微博上数万个用户的真实评论和用户画像，提出了 Personalized Comment Generation Network (PCGN) 模型来生成自然、类人的个性化评论。
Jul, 2019
研究自动化生成的注释建议对诊断推理文本中认识活动分段和分类的可行性和效果，并提供了一个新的数据集。建议具有正面的效果和不引入显著偏见，未来应该结合连续模型调整的方法以提高建议模型的性能。
提出了一种针对评论内容的自动生成模型，采用读者感知的主题建模和显著信息检测框架，生成多样化和有信息量的评论，并在三个数据集上取得了优于现有基线方法的结果。
Feb, 2021
本研究提出了 Netizen Style Commenting (NSC) 框架，通过构建一个大规模的服装数据集 NetiLook，利用神经网络结合主题模型的方法来生成能够反映社交群体文化的评论，从而在发现用户意图，提高社交互动方面取得了良好的效果。
Jan, 2018