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

本文提出了一种利用社交网络进行少样本个性化对话的元学习方法，并说明了该方法相较于传统的对话生成方法在适应性、多样性和与说话人的一致性等方面的优势。

May, 2021

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

本文介绍了自动评论任务的提出和拥有数百万真实评论和人工标注的子集的大规模中文数据集，并开发了考虑评论质量与人类评估相关性的自动度量标准。

May, 2018

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

通过采用大型语言模型作为用户模拟器和评论生成器，我们提出了 GenFEND，一种生成的反馈增强检测框架，通过为多个子人群组提示大型语言模型并聚合生成的评论，以做到多样化评论的可用性，尤其是来自沉默用户的评论。实验证明了 GenFEND 的有效性，并进一步分析表明，生成的评论涵盖了更多多样化的用户，并且甚至比实际评论更有效。

May, 2024

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 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

本文提出了 ViCo 方法，通过采用三个新设计来解决生成具有吸引力的视频评论所面临的挑战，包括量化评论的参与度、自动评估评论的参与度以及改进生成器以提高评论质量。通过在一个流行视频网站上收集的大规模视频评论数据集（ViCo-20k）进行实验，结果表明我们的 ViCo 模型在参与度考量下表现得最好，无论是定量指标还是定性结果。

Aug, 2023

本研究提出了一种基于预训练编码器 - 解码器框架并整合外部知识的方法，旨在为生成长视频的现场评论提供支持。作者共收集了一个 MovieLC 数据集，并开源了相关代码，实验结果表明，该模型在客观度量和人类评估方面具备较高的效率。

Apr, 2023