本研究提出了一种基于上下文感知的知识预选择模型，使用动态双向注意力机制来提高知识的选择，进而生成更具信息量和流畅的自然回复。实验结果表明，该模型在准确度和流畅度上都优于当前最先进的方法。

Jun, 2019

本文提出了一种新型的参考语义分割网络（Ref-Net），结合了人类的视觉认知能力，采用参考目标特征和已有的开源数据集边界知识，通过参考分割模块和边界知识翻译模块，实现在只有几十个样本的有限监督下，较好地完成了多个数据集上的对象分割任务。

Aug, 2021

本篇论文介绍了一种新颖的响应生成系统，它可以在大量非结构化的 Twitter 会话上进行端到端的训练。该系统使用神经网络架构来解决在将上下文信息集成到经典统计模型中出现的稀疏性问题，从而允许系统考虑以前的对话话语。我们的动态上下文生成模型相对于基于上下文和非上下文敏感的机器翻译和信息检索基准具有一致的提高。

Jun, 2015

为了训练自然对话模型，作者创建了一个新的包含电影聊天信息和相关背景知识的数据集，并使用三种不同的模型对这个数据集进行了基准测试。

Sep, 2018

本文提出了一种基于循环神经网络 (RNN) 的自然语言生成 (NLG) 新方法，其中在 RNN 计算之前应用了门控机制，以使得该模型能够生成适当的句子，并可通过共同训练句子规划和表面实现以生成自然语言响应。实验结果表明，该生成器在所有 NLG 领域中均表现出更好的性能。

Jun, 2017

本文提出了一种针对 NLP 中需要汇总来自远处的同一实体的信息的情况的循环层，该层使用外部系统提取的指代注释连接属于同一簇的实体提及，并将其合并到最先进的阅读理解模型中，从而改善了 Wikihop、LAMBADA 和 bAbi 人工智能任务的性能，并且可在数据稀缺时获得大的收益。

Apr, 2018

GroundNet 是用于语言表达识别的神经网络，利用句法分析输入指代表达式以指导计算图的结构，并解析句法成分和关系，映射到神经元模块组成的图形结构以进行目标物体及相关支持物体的定位，具有更好的可解释性和鲁棒性。

May, 2018

本文针对神经网络模型生成内容不足的对话应用展开了研究，提出了一种全新的、基于数据和知识驱动的神经对话模型，该模型通过同时考虑历史对话和外部 “事实” 来生成更有用的回应，实验证明该方法在开放领域中具有广泛应用前景，相较于基线模型的 Seq2Seq 方法，能够显著提高输出的信息量。

Feb, 2017

本文提出了一种新的架构，用于存储和访问实体提及，在进行在线文本处理过程中，通过将记忆操作编码为可微分的门，可以通过使用监督语音解析目标以及辅助语言模型目标来对模型进行端对端的培训，并通过代词 - 名称照应的数据集评估，证明了在完全增量文本处理中具有强大的性能。

Feb, 2019

本论文提出一种文本条件化的关系网络模型，通过跨模态的注意力机制动态计算参数以捕获实体之间的精细空间关系，从而实现对文本中空间参照的理解，具有可解释性和鲁棒性，在三个任务中实现了 17% 和 15% 的表现改进，从而解决了在自主导航和机器人控制中学习空间概念表示的关键挑战。

May, 2020