该研究提出了一个针对描述动态世界的文本流程（例如光合作用）的新数据集和模型，并引入了两种利用 LSTM 输入编码和跨度预测进行状态预测的新型神经模型，从而实现对实体状态（位置和存在）进行全注释，并显著提高了准确率（高达 19%）。

May, 2018

本论文提出了 OpenPI2.0 数据集，旨在追踪实体状态，包括有规范化的实体、手动标记和自动预测的明显标记，通过调查主观性注释、建模可行性和下游应用，阐述了实体显著性在问题回答和经典计划等任务中的重要性。

May, 2023

本篇论文旨在研究开放词汇状态跟踪，针对现有数据集和评估指标存在的问题，提出了一个新的数据集 OpenPI-C 和基于聚类的度量方法，同时也提出了一种新的模型 —— 基于 seq2seq 生成模型，在考虑时间依赖和实体识别的情况下对模型进行了优化，并在新数据集上取得了较好的效果。

Jun, 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

本文提出了一种结构化的神经架构来跟踪实体的发展，包括每个实体的隐藏连续表达和全局离散状态结构，使用神经 CRF 来约束实体状态随时间的演变。我们在 ProPara 数据集上对该模型进行了评估，在 QA 任务中取得了最先进的结果。

Apr, 2019

使用文本环境进行规划仍然是人工智能系统面临的主要挑战之一。最近的研究方法使用语言模型来预测规划领域定义（例如 PDDL），但仅在封闭领域的模拟环境中进行评估。为了解决这个问题，我们提出了 Proc2PDDL，这是第一个包含开放领域流程文本和专家注释的 PDDL 表示的数据集。利用这个数据集，我们评估了最先进的模型在定义行动的前提条件和效果方面的性能。我们展示了 Proc2PDDL 数据集的高度挑战性，GPT-3.5 的成功率接近于 0%，而 GPT-4 的成功率约为 35%。我们的分析表明存在句法和语义错误，这表明语言模型在生成领域特定程序和推理事件方面存在不足。我们希望这个分析和数据集有助于未来将语言模型和形式规划的优点融合在一起。

Feb, 2024

该研究介绍了一种用于程序化阅读理解的算法，将文本转换成一般的形式，将过程表示为实体属性的转换序列，利用预训练的语言模型，同时预测实体属性和它们的转换，实现了对 ProPara 和 npn-cooking 两个数据集的最新成果。

Mar, 2020

本文介绍了一种针对过程性文本理解的新型学习框架，通过利用独立描述的标签一致性，在训练时构建一致性偏差来提高性能。在 ProPara 数据集上的评估表明，该方法显著提高了先前最先进系统的预测性能（F1）。

Jun, 2019

本文提出了一种基于食谱流程图的框架，来预测开放领域中流程文本的流程图，通过实现领域适应模型，实验结果表明领域适应的模型比只在烹饪或目标领域数据上训练的模型具有更高的性能。

May, 2023

提出了 KIEST 框架，它采用动态知识编码器 - 解码器框架，从外部知识图中显式检索相关实体和属性，并结合约束解码策略和一致性奖励来预测实体状态的变化，实验结果表明，在 OpenPI 公共基准数据集上，KIEST 框架显著优于强基准线。

Apr, 2023