我们提出了增强修辞结构理论（eRST），这是一种基于修辞结构理论（RST）扩展的计算化话语分析的新理论框架。该框架包括具有树破碎、非投射和并发关系的话语关系图，以及提供解释性的隐式和显式信号来解释我们的分析。我们调查了 RST 和其他现有框架的缺点，如分段话语表示理论（SDRT）、宾夕法尼亚话语树库（PDTB）和话语依赖，并使用所提出的理论中的构造来解决这些问题。我们为数据提供注释、搜索和可视化工具，并介绍和评估了一个根据我们的框架进行注释的英语语料库，包括 12 种口语和书面体样式，200,000 个单词。最后，我们讨论了在我们的框架中的数据自动解析、评估指标和应用。

Mar, 2024

本文提出了一种可扩展的语用学方法，通过信息论原理来在代理人之间掌握语用技能，建立了一种新的架构和学习过程，而不是依靠人类数据。

Aug, 2021

通过定义和优化经训练的统计分类器，RSA 模型可用作自然语言处理应用程序的隐藏层，从而打开了新的应用领域和有效从数据学习的可能性，我们在指代表达生成任务中验证了该模型，表明将有关自然语言生成的洞见特征纳入 RSA 中可实现最佳性能。

Oct, 2015

通过研究修辞关系在信息检索中的应用，本文提出了一种基于语言模型修辞关系的改进方法，实证评估结果显示，使用特定的修辞关系可以显著提高检索有效性。

Apr, 2017

在本文中，我们介绍了一种结构化信号博弈，一种在上下文中意义之间具有相似性结构的经典信号博弈的扩展形式，以及一种我们称之为结构化 RSA（sRSA）的 Rational Speech Act（RSA）框架变体，用于结构化领域中的信息推理。我们研究了 sRSA 在颜色领域的行为，并显示出在仅进行 1 或 2 个递归级别后，使用 sRSA 的语用代理在来自 World Color Survey 的语义表示上达到了接近信息论界限的效率。我们还探讨了语用推理与多智能体强化学习框架中的学习之间的相互作用。我们的结果说明，使用 sRSA 的人工代理比使用 RSA 和仅强化学习的代理开发出更接近信息论前沿的通信。我们还发现，在允许语用代理在学习过程中进行更深入的彼此推理时，语义表示的歧义性会增加。

May, 2023

本文通过关系强化学习来理解认知系统如何选择在特定任务中有用的特征关系以及如何利用这些表达来有效地与环境交互。我们使用建立在 RRL 中开发的函数逼近器的简单模型来展示我们的方法的潜力，并在需要考虑日益增多的潜在关系的三个 Atari 游戏中进行了训练和测试。在每个游戏中，我们的模型能够选择适当的关系表达式，并逐步建立关系策略。我们探讨了本模型与关系和类比推理模型之间的关系，以及其限制和未来的研究方向。

Mar, 2022

该研究提出了一种新的理论 -- 代表性系统理论，通过结构变换技术，将一个系统中的表达方式变换到另一个系统中，从而通过统一的方法编码和选择代表性，具有广泛实用价值。

Jun, 2022

本研究介绍了一种利用神经符号定理证明器将自然语言中的社交经验法则转换成一阶逻辑，从而进行逻辑推理，并通过一种新的算法生成抽象意义表示法（AMR）的替代简化版本，以增加对不同文本措辞和不正确 AMR 解析的稳健性。该系统在社交化学 101 个数据集中应用，旨在开发和评估执行关于社交情境的显式推理的神经符号方法。

Mar, 2023

利用 Rhetorical Structure Theory (RST) 树和关系对话语连贯性进行评估，表明在分类连贯性方面增加银标准 RST 特征可以提高准确性，我们开发了一个 tree-recursive neural model，即 RST-Recursive，利用了由最先进的 RST 解析器产生的文本 RST 特征。在 Grammarly Corpus for Discourse Coherence (GCDC) 上评估我们的方法，并展示了当与现有先进技术结合使用时，我们可以在此基准测试中实现新的技术水平的准确性。此外，单独部署时，RST-Recursive 具有竞争性的准确性，同时参数减少了 62%。

Sep, 2020

本文提出了一种基于粗集理论的规则一般性诱导方法（Rule General Abductive Learning by Rough Set，RS-ABL），用于解决信息系统中知识处理中的知识获取、纠错、减少、生成和协同处理等问题，并在解决半监督任务时具有更高的准确性。

May, 2023