本文提出了一种利用意见表达的不同视角，构建了一种联合细粒度和粗粒度意见模型的方法，该模型具有注意力机制的某些特性，对最近发布的多模态细粒度注释语料库提供了具有竞争力的结果。

Aug, 2019

本文研究了从文本中提取情感持有者 - 目标结构的机器学习，旨在回答 “谁表达了对什么样的情感？” 的问题。文中使用多任务学习技术，在有更多数据的一个相关任务下解决了数据稀缺的问题，最终发现使用共享特征的多任务学习模型对于情感持有者和目标的标记效果最佳。

Nov, 2017

本研究提出了一个新颖的统一模型来解决目标基情感分析的任务，其应用了统一的标记方案，并且使用两个堆叠的循环神经网络来提高主任务的性能，并通过门机制维护观点目标内的情感一致性，在三个基准数据集上实验结果表明该框架具有优异的效果。

Nov, 2018

该研究提出了一种基于 Pointer Networks 的过渡型语义角色标注方法，该方法可以在不需要额外模块或语法信息的情况下，在单次从左到右经过中完整处理语句，其时间复杂度是 $O (n^2)$，并且在大多数 CoNLL-2009 共享任务的语言上实现了迄今为止最佳性能。

May, 2022

本文提出了一种基于深度学习的动态意见推断模型 GCN-GRU 用于处理大规模网络中具有不确定性的意见，该模型通过融合多种意见并利用深度学习技术解决了主观逻辑模型存在的可扩展性、异构拓扑和时间依赖性的能力以及冲突证据的高度敏感性的局限，通过实验证明了其在四个实际数据集上的超越表现。

Oct, 2019

我们提出了一种基于有界置信度的信息传递框架 ODNet，将社会网络和神经信息传递的概念相结合，用于分析和推断动态系统的行为。通过调整有界置信度和影响力权重，并定义与社交网络图特点一致的观点交换规则，我们的方法能够简化复杂的社交网络图，准确识别内部社区和基因在不同代谢途径中的角色。

Oct, 2023

本文提出了第一个针对端到端语义角色标注任务采用转移模型的神经网络方法，并使用高阶组合提取非局部特征，实现了最佳性能和高效解码。在 CoNLL09 和 Universal Proposition Bank 上的实验结果表明，该方法可以创造最新的性能记录。

Jan, 2021

通过使用仅包含句子跨度的最小 LSTM 特征表示的新的 shift-reduce 系统以及第一个可以证明最优的动态 Oracle，该算法的时间复杂度是摊销 O（1），相比于标准依赖解析的 O（n ^ 3）Oracle，我们在使用这个 Oracle 进行训练后，在不使用重新排名或外部数据的情况下取得了最好的 F1 分数，而句法解析准确度得到了显著提高。

Dec, 2016

本文提出了一种面向任务的对话技术（TOD）前置训练语言模型 (OPAL)，采用预训练和微调相结合的方法，成功地解决了无法获得大规模任务对话数据的问题，并在 CamRest676 和 MultiWOZ 基准测试中实现了令人兴奋的提升和竞争性表现。

Sep, 2022

本文提出了一个视频字幕生成系统，包括一种新颖的基于对象关系图的编码器和一种有效的训练策略，其中使用了教师推荐学习方法和外部语言模型来解决长尾问题，并在多个基准测试中取得最好的性能，实验证明我们的系统是有效的。

Feb, 2020