我们提出了一种新颖的上下文感知引用推荐系统，使用作者已经撰写的内容从给定的源文档中生成可引用的段落和标记跨度的排名列表，通过在演讲转录和新闻文章的集合上进行实验，评估了模型的段落排名和跨度预测性能。

May, 2020

本论文提出了一种基于相关性的新闻专家选择任务，通过构建一个包括 24,031 对引语 - 发言人的新闻引文数据集，采用基于 BERT 的问答模型对其进行自动抽取，然后通过文件检索任务鉴定信任专家。实验证明，与专家检索相比，文件检索可以更有效地识别与特定新闻主题相关的专家。

May, 2023

该研究介绍了一个直接将查询表示映射到引言表示的转换矩阵，并采用一种映射损失来更好地学习映射关系；此外，还探索使用历史查询中的单词来解释引语的比喻语言，并且在历史查询的基础上应用引文感知注意机制来突出展示关键词。该模型在英文和中文的两个数据集上取得了优于之前的最先进模型的表现。

May, 2021

介绍了 QuOTeS，一种交互式系统，它集成了 Query-Focused Extractive Summarization 和 High-Recall Information Retrieval 技术，旨在从潜在的引用文献集合中检索与研究摘要相关的句子，帮助撰写新论文，同时经过全面的用户研究表明，该系统能够提供积极的用户体验和相关的、简明、完整的摘要。

Jun, 2023

通过引用语句，建立一个可靠的新闻信息来源推荐体系，以提高推荐系统的预测和行为质量。

Jun, 2024

本研究探讨了在线对话中自动引用生成的一些特点，基于对话历史、语言一致性的相互作用，以及与查询转的现有内容的一致性等方面对引文的语境一致性进行了捕捉，并采用编码 - 解码神经框架通过语言生成来继续语境，实现引文的自动化。通过英文和中文两个大规模数据集进行实验，结果表明我们的引文生成模型优于现有的最先进模型。进一步的分析显示，主题、交互和查询的一致性都有助于学习如何在在线对话中引用。

Jun, 2021

使用 QuRating 方法选择预训练数据，可以捕捉人们直观感知的文本抽象品质。通过对四个品质进行分析，我们发现 LLMs 在进行文本配对判断方面表现优于直接评价文本质量。使用 QuRater 模型学习从配对判断中学习标量评分，并使用它为 260B 训练语料库的每个标准进行质量评级。根据不同的质量评级选择 30B 令牌，并在选定的数据上训练 13B 参数的语言模型。平衡质量和多样性很重要，仅选择最高评级的文档会导致较差的结果。通过使用质量评级作为逻辑的采样，我们的模型在困惑度和上下文学习性能方面均优于基准模型。除了数据选择外，我们使用质量评级构建了一个训练课程，提高了性能而无需更改训练数据集。我们对质量评级进行了广泛分析，并讨论了其特征、偏见和广泛的影响。

Feb, 2024

该论文介绍了一个自适应的 Web 界面，用于搜索新闻中的名言佳句，它们提供了一种最直接，最不被过滤的信息传播路径，是记者和研究人员的宝贵资源。

Jul, 2022

利用 RELiC 数据集研究文学证据检索，采用 RoBERTa-based 的密集段落检索器进行实验并取得了一定成果，但需要进一步提升

Mar, 2022

本文系统介绍了对于科学出版物的引文推荐研究，概括了基于自动化方法和数据集的实现，分析了不同维度上的差异和共同点，着重探讨了其评价方法和挑战。

Feb, 2020