本文介绍了一种新型图形转换编码器，可处理知识图谱等非层次性图形的内容，应用于科学文本领域的图 - 文本生成，评价结果表明，该技术可以产生比竞争的编码解码方法更具信息量且结构更好的文本。

Apr, 2019

本论文提出 GenKGC 方法，运用预训练语言模型将知识图谱补全转化为序列生成任务，结合关系引导演示和实体感知分层解码以实现更好的表示学习和更快的推理，并在三个数据集上进行实验，结果表明该方法比基线更优或具有可比较的性能，与预训练语言模型先前的方法相比，具有更快的推理速度。此外，我们还发布了一个新的大规模中文知识图谱数据集 AliopenKG500 供研究使用。

Feb, 2022

本论文提出了一种新颖的方法，通过提取直播文本中的关键时刻，并使用它们创建新闻的初始草稿，进一步通过特殊设计的体育知识图谱中的关键细节和背景信息进行改进，利用融合卷积神经网络和变换器编码器的多阶段学习模型，通过处理器计算不完整三元组的匹配分数，解决了少样本知识图谱补全问题，并经过主客观评估确认其能够彻底改变体育新闻的创作方式。

Feb, 2024

本文提出了一种基于图形表示的模型，并演示了我们不仅可以跨文档检索语义相似的信息，而且我们生成的嵌入空间也捕获了有用的语义信息，类似于仅适用于文本序列的语言模型。

Feb, 2022

为了解决文本中的语义模糊问题，我们提出了一个模型，创新地将知识图谱与改进的注意机制结合起来。该模型在字符和词级别上运作，通过集成概念来加深对文本的理解。我们首先采用信息增益选择重要词，然后采用编码器 - 解码器框架对文本及相关概念进行编码。本地注意机制调整每个概念的权重，在分类过程中减少不相关或噪声概念的影响。我们改进了本地自注意机制中注意分数的计算公式，确保文本中不同频率出现的词语获得更高的注意分数。最后，该模型采用了双向门控循环单元（Bi-GRU），从文本中提取特征以提高分类准确性。该模型在 AGNews、Ohsumed 和 TagMyNews 等数据集上达到了 75.1%、58.7% 和 68.5% 的准确率，展示了其在分类任务中的有效性。

Jan, 2024

提出一种新的基于图的关键词生成方法，结合层次化注意力和拷贝机制，借鉴相关文献的显式知识，取得显著的成果。

Sep, 2021

本论文提出一种基于顺序文本的知识表示学习方法，通过循环神经网络、注意力机制等实现对实体语义信息的编码和选取信息量高的语句，以及在三元组分类和链接预测任务中实现了优异的效果。

Sep, 2016

提出了一种使用连续图卷积网络的新方法来推断在线文本数据的模型，称为 ContGCN，采用了全标记 - 任意文档范式来动态更新每批处理的文档 - 标记图，并使用自我监督对比学习目标来更新模型。在华为公共舆情分析系统上进行的 3 个月 A/B 测试表明，ContGCN 相比现有的方法提高了 8.86％的性能。

Apr, 2023

本文提出了一个新颖的方法，使用少量人为监督来挖掘具有语义相关性的新鲜文档及其主题标签，并设计了一个多任务模型 - NewsEmbed，交替使用对比学习和多标签分类来推导通用文档编码器，在多个自然语言理解任务中实现了出色的性能表现。

Jun, 2021

本文提出了一种带有两个阶段微调机制的结构化图文模型，结合传统的标记和位置嵌入以及新颖的树级嵌入方法，显著提高了英语 WebNLG 2017 数据集的所有文本生成指标

May, 2021