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

本文介绍了一种采用读者评论辅助生成 “主要方面” 摘要的方法 —— 读者感知的生成式摘要。使用对抗思想和神经网络框架，作者提出了一个名为 RASG 的模型，该模型克服了评论的非正式和嘈杂的挑战，并取得了表现优异的成果。

Dec, 2018

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

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

提出了一种新的 MDS 范例 —— 读者感知式多文档摘要（RA-MDS），通过特定的稀疏编码法联合考虑新闻报道和读者评论来计算文本片段的显著性，并通过实体重写来提高语言质量，进一步探讨了名词 / 动词短语的优化模型支持压缩摘要的生成，该方法在经典和自行采集的数据集上取得了显著的效果

Apr, 2015

本研究开发了一个深度概率模型，该模型使用一个变分自动编码器和双向 LSTM 网络的密集文本表示与从贝叶斯混合模型中推断出的语义主题相关特征，旨在使用可解释的特征和方法检测真假新闻，实验证明该方法实现了与现有方法可比较的性能。

Sep, 2022

本文介绍了一个新的数据集来解决阅读者感知的多文档摘要问题；通过扩展基于变分自动编解码器的 MDS 框架，共同考虑新闻文档和读者评论。实验结果表明，读者评论能够提高摘要的表现，并证明了所提出的数据集的实用性。

Aug, 2017

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

在文本文档中，通过对中的有限实体进行鲜明实体识别可以在多个下游应用领域中实现重要性提取，本研究通过细调中型语言模型以交叉编码器结构取得重大性能提升，同时展示了零 - shot 指令调整语言模型在此任务上表现不佳，凸显其独特且复杂性质。

Sep, 2023

通过吸收和参数化历史新闻中的评论中有用的知识，并将其注入到仅基于内容的检测模型中，我们设计了评论辅助虚假新闻检测方法 (CAS-FEND)，该方法在训练期间将有用的知识从评论感知的教师模型转移到仅基于内容的学生模型。实验证明，CAS-FEND 学生模型在早期检测方面表现出优越性，胜过所有仅基于内容的方法，甚至胜过输入 1/4 评论的方法。

Oct, 2023