本文提出了一种简单而有效的方法来生成双关语句子，该方法不需要训练现有双关语。我们的方法受到幽默理论的启发，即歧义来自于上下文而不是双关词本身，我们的模型首先通过反向字典生成与双关词相关概念的列表，然后利用一次性 GPT3 生成上下文单词，最后将从两个概念中的上下文词语生成双关语。人类评估表明，我们的方法成功地生成 52％的双关语，远远优于其他精心制作的基线和最先进的模型。

May, 2022

本文探讨了使用 GAN 自学习等机制解决自然语言生成中离散输出空间问题；通过实验表明，提出的模型在中文古诗生成数据集上取得了最新的高分，可以生成自由语序和概率性上下文无关语法。此外还介绍了一个条件模型，可根据句子特征生成序列。

May, 2017

本文提出了基于语言模型和局部 - 全局惊奇原则的双关语生成的无监督方法 —— 提取语料库中的非幽默文本进行生成，成功率较神经网络生成基线高三倍以上。

Apr, 2019

提出了一个统一框架，用于生成同音和同形双关语以解决语言模型中的分裂问题。该框架包括三个部分：1）上下文单词 / 短语选择器，以促进双关语的歧义性、独特性和惊喜性；2）一个针对非双关语句子进行训练的生成模型，将上下文单词 / 短语纳入生成结果；3）一个标签预测器，学习了双关语的结构，用于引导推理时的生成模型。对双关语类型的评估结果表明，该模型相对于基线模型具有更好的效果。

Oct, 2022

本文提出了一种新颖的生成对抗网络 RankGAN，用于生成高质量的自然语言描述，其通过给定一个参考组来分析和排名一组人工编写和机器编写的句子，通过相对排名分数来评估数据集的质量以帮助学习更好的生成器，并使用策略梯度技术来优化 RankGAN。多个公共数据集的实验结果清楚地证明了所提出方案的有效性。

May, 2017

本文利用自编码器生成低维度语句向量空间，再用生成对抗网络利用这个空间生成真实文本，与竞争基线相比，经人工审核和 BLEU 分数表明模型可以生成逼真的文本。

Oct, 2018

本文提出了一种名为 TESGAN 的框架，使用连续文本嵌入空间而非离散标记以解决梯度反向传播的问题，通过无监督学习来克服数据记忆问题，从而能够合成具有潜力的新句子。

Jun, 2023

本研究提出了一种上下文适应的谐音生成任务，并设计了一个基于谐音检索和生成的系统，能够通过给定的上下文关键词生成成功率为 40％的谐音，较先前的方法产生率高 32％。

Oct, 2022

研究评估了生成对抗网络引起的网络对网络暴力对人类的财政、社会、精神、文化、语法和皮肤影响，提出了一种更和平的方法 —— 生成非对抗网络（GUNs），使用博弈论为理论和电子模型可获得公正分数的情况下，同时训练生成器和激励模型，实现和谐共处和梦想的实现，并将更多的 GUNs 推广到网络上来解决这一问题。

Mar, 2017

该研究提出了一种通过敌对训练生成逼真文本的框架，采用了 LSTM 作为生成器，卷积网络作为判别器，并使用核距离度量匹配真实和合成句子的高维潜在特征分布，从而缓解了模式崩溃问题，并在定量评估方面表现出优越性，证明了该模型可以生成逼真的句子。

Jun, 2017