该论文基于 “概念交互图” 模型，通过一系列编码技术比较包含相同概念顶点的句子，并通过图卷积网络聚合匹配信号来匹配文章。在两个数据集上进行的广泛评估表明，该方法在自然语言匹配方面显著优于众多最先进的方法。

Feb, 2018

该研究研究了如何使用基于子词级别表示的模型进行句子对建模，结果表明在对语义和字符串相似性要求较高的语境下，不需要预先训练的单词嵌入也可以实现最先进的结果。该方法在社交媒体数据集上实现了最新成果，在新闻数据集上也取得了有竞争力的结果。

May, 2018

本文分析了几种神经网络设计（及其变体），对八个数据集进行了广泛的比较，包括释义识别、语义文本相似性、自然语言推断和问题回答等任务。我们提供了一个系统的研究，表明编码上下文信息的 LSTM 和句间交互至关重要，而 Tree-LSTM 并不能像先前宣传的那样有所帮助，但却出人意料地提高了 Twitter 数据集的性能；增强顺序推理模型是迄今为止较大数据集的最佳选择，而基于词对交互的模型在较少数据可用时实现最佳性能。我们将我们的实现作为开源工具包发布。

Jun, 2018

本文提出了一个神经网络的方法，该方法应用核心指代知识来产生覆盖单句以外内容的维基百科相关问题 - 答案对，并通过对一百万个这些问题 - 答案对的定性分析表明了该系统的有效性。

May, 2018

本研究旨在解决数字图书馆中文献推荐中相似文档关系的问题，我们将找到两个文档之间关系的问题建模为成对文档分类任务，并采用了一系列技术，如 GloVe，Paragraph-Vectors，BERT 和 XLNet 等不同配置进行实证分析，结果显示使用 BERT 作为最佳表现系统，该发现有助于推动基于此类技术的图书推荐系统的发展。

Mar, 2020

研究称，维基百科不同语言版本中表示实体或主题的文章独立演变，会产生不同观点的反映，需要对信息如何跨越维基百科语言版本进行分析，以支持质量控制。为了便于分析，研究者提出了一个名为 MultiWiki 的新型基于 Web 的用户界面，可以在时间轴上提供从不同语言版本来源的文章对中相似性和差异的概观。这使得用户能够观察跨语言文章相似性随时间的变化，并在特定时间点执行文章快照的详细视觉比较。

Feb, 2017

我们提供了一个新的数据集 WikiGraphs，其中包括每篇维基百科文章和一个知识图，以促进条件文本生成、图形生成和图形表示学习的研究。通过在建立 WikiText-103 基准的每个维基百科文章上与 Freebase 知识图中的一个子图配对，我们的新数据集具有显着的规模，可以轻松评估其他最先进的文本生成模型。我们在数据集上展示并比较了基线图神经网络和变压器模型的 3 种任务结果：图形 -> 文本生成、图形 -> 文本检索和文本 -> 图形检索。文中指出，更好的条件图形可以提高生成和检索的质量，但还有很大的改进空间。

Jul, 2021

使用多语句子嵌入的方法自动从 85 种语言的维基百科文章中提取平行句子，共提取了 1.35 亿个平行句子，并且在 1886 种语言对上训练神经机器翻译基线系统，取得了较高的 BLEU 分数。WikiMatrix bitexts 可以对离散的语言进行机器翻译训练，而不需要通过英语来进行桥接。

Jul, 2019

本文提出了一种基于 Graph Neural Networks 的新型深度学习方法，以解决如何预测大型演化网络中链接出现的问题，特别地，预测与 AI 相关的主题之间的链接。实验结果表明，使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式，且模型具有较高的预测准确性。

Jan, 2022

本文介绍了一种新的神经 CRF 对齐模型，用于提高给定语料库中文本简化系统的句子对齐质量，并构建了两个新的文本简化语料库，经过实验证明，本文所提出的方法比以前的所有工作都要表现好，为文本简化的自动化和人工评估奠定了基础。

May, 2020