使用语义词汇表 (Semantic Lexicon) 构建规则库并结合常识知识，采用基于模拟的方法进行机器阅读的研究。实验结果表明，该方法在描述过程方面的任务上优于两个强基线阅读理解方法 (read comprehension baselines)。

Apr, 2018

该研究目标在于通过开发新模型 XPAD，解释性地预测动作之间的依赖关系，以及扩展 ProPara 基准数据集来解释行动，结果表明 XPAD 在新的任务中显著优于之前的系统。

Sep, 2019

本论文中，我们探讨如何运用常识知识图谱提高条件文本生成模型的综合性能，通过从 Conceptnet 中提取常识关系，将这些关系注入到 Unified Language Model (UniLM) 中，并通过输出约束强制实施词汇要求，以提高生成文本的语义正确性和符合人类理解，从而实现了匹配词性和完全概念覆盖的要求。

Dec, 2020

本文针对故事生成中存在的重复、逻辑冲突和长距离一致性缺乏等问题，提出了一种基于知识增强预训练模型的通用故事生成方法。通过利用外部知识库中的常识知识来生成合理的故事，并采用多任务学习的方法来捕捉合理故事中句子之间的因果关系和时间依赖关系，从而在逻辑和整体一致性方面比其他最先进的模型有更好的表现。

Jan, 2020

本文研究在一个开放式世界的文本冒险游戏中生成叙事的设定，使用游戏状态的图形表示来训练模型，可以消耗和输出基于图形的表示和自然语言描述和动作。通过结合众包和模拟游戏玩法构建一组大量的任务和复杂的动作数据集来构建这样的模型，发现通过在图形上下文和目标上训练可以改善动作叙述模型的一致性，即使在测试时没有图形。这在自动指标和人类评估中都得到了证明。我们计划公开代码、新一组任务和最佳表现模型。

Jan, 2023

研究了手续性文本理解的挑战，发现外部知识注入和数据不足的问题，提出了一个多阶段训练的知识感知 KOALA 模型，最终在 ProPara 和 Recipes 数据集上达到了最先进的性能表现。

Sep, 2020

本文介绍了一种新型的神经理解模型，它动态更新实体状态并利用多模态信息帮助理解计算机常识任务，使用这种方法显著提高了之前报告的模型的准确性。

Sep, 2019

本文探讨了一种基于神经网络的逐步推理模型，旨在更细致地理解为背景段落中叙述的因果关系，并将此知识应用到新的情境中，实验结果表明了其有效性和可解释性。

Oct, 2020

本文以场景理解为主题，提出了一种融合物理引擎和问答结构的混合模型，用于预测场景中受到行为影响的未来状态。通过与端到端学习方法进行比较，展示了这种具有挑战性的新问题的初步结果。

Sep, 2018

利用外部知识概念辅助 CommonSense 生成，通过原型建模和知识注入方法显著提高了性能。

Dec, 2020