本文介绍了一个能够支持自然语言处理工作流的开源框架，该框架包含了一个统一的数据表示方法和一个包含处理器、可视化和注释的大型处理库，提供了简单组装和互操作性，并能够轻松扩展以接入其他自然语言和深度学习库。

Mar, 2021

本文介绍了 NL-Augmenter—— 一个基于 Python 的自然语言增强框架，支持创建转换和筛选器，同时提供 117 个转换和 23 个筛选器，以增强模型中的数据。我们演示了 NL-Augmenter 的有效性，并使用其转换来分析流行的自然语言模型的鲁棒性。

Dec, 2021

提出了一个名为 AI$^{2}$ 的框架，该框架利用自然语言接口，使非专家可以从机器学习算法中受益，其主要贡献是用英语调用机器学习算法，使其界面更易于使用。

Jan, 2023

本文提出了一种基于语法的自然语言机器人编程框架，特别用于拾取和放置任务，其方法使用自定义的动作词词典来存储共享意义的单词，通过增加更多的动作词从词汇数据库，轻松扩展词汇量。本文通过模拟和现实世界的实验验证了我们的自然语言机器人编程（NLRP）框架，使用配备了校准相机和麦克风的 Franka Panda 机器人手臂，并将参与者要求使用口头命令完成拾取和放置任务，该任务经由 Google 的语音转文本 API 转换为文本并通过 NLRP 框架处理，以获取机器人的联合空间轨迹，该方法具有高的系统可用性得分，可以轻松扩展字典而不依赖于转移学习或大型数据集，未来我们计划通过综合用户研究比较所述框架与不同人类辅助拾取和放置任务的方法

Apr, 2023

AllenNLP 是一个基于 PyTorch 平台的自然语言理解深度学习相关的可扩展实验框架，具有智能批量处理和填充的灵活数据 API，高层次的文本操作抽象和模块化可扩展的实验框架。

Mar, 2018

该论文对 iNLP 的定义、分类、评估方法、应用和未来研究方向进行了综合性调查，旨在为研究人员提供广泛的视野和工具，以促进与人类、知识库、模型和环境的交互、交流和合作。

May, 2023

介绍了一种基于大规模语言模型的编程系统 ANPL，能够通过自然语言描述生成程序功能，主要解决了用户如何编辑和调试 LLMS 所生成的程序的难题。在 Abstraction and Reasoning Corpus 任务的基础上，通过把任务分解为模块，并使用 ANPL 编译器将模块正确组装成 Python 程序，展示 ANPL 能够优于没有交互分解任务能力的基准程序系统。

May, 2023

提出了一种能够适用于多种自然语言处理任务（包括词性标注、Chunking、命名实体识别和语义角色标注）的统一神经网络架构和学习算法，该系统可以通过学习大量无标注训练数据的内部表示，避免任务特定的工程方法，并构建一个具有良好性能和最小计算要求的可用标记系统。

Mar, 2011

本论文提出了一个用自然语言输入构造程序合成器的框架，其使用 NLP 特征和关键词编程翻译的排名学习最优权重和分类器来代替学习并使用各种领域特定语言，可以用于编辑、智能教育系统和飞行信息查询等多个领域。通过 1200 多个英语说明，各合成器为 80％和 90％的说明将期望的程序排名为最好的一个和三个。

Sep, 2015

该论文提出了一种利用自然语言处理技术从无结构自然语言文本中自动生成系统图的方法，其目的是为系统工程师提供更加标准、全面和自动化的起点，并在六个案例中进行了验证。

Aug, 2022