本篇论文主要探讨利用细粒度上下文知识选择方式，以降低基于 “专有” 短语的上下文建模产生的不确定性问题，并引入位置信息来更好地区分短语或令牌，达到在语音识别上提高识别准确率的效果。

Jan, 2022

本文提出了一种名为 CFC 的新的问题回答模型，它结合了来自多个文档的证据信息，其粗粒度模块尊重从查询中解释文档以及找到相应答案，而其细粒度模块通过比较其在所有文档中与查询的出现次数得分每个候选答案。 这种模型使用共同关注和自我关注的层次结构设计，学习强调输入的不同部分。 在 Qangaroo WikiHop 的多证据问题回答任务中，CFC 在盲测试集上获得了 70.6％的最新技术结果，尽管没有使用预先训练的上下文编码器，但仍比之前最佳结果高出 3％的准确性。

Jan, 2019

使用大型语言模型的 CoT-ER 方法为少样本关系提取提出了一种新的方法，该方法利用具体证明推理将证据明确地纳入思维链式提示，实验结果表明，CoT-ER 方法（无训练数据）在 FewRel1.0 和 FewRel2.0 数据集上的表现与全监督（有 100% 训练数据）最新方法相当。

Nov, 2023

本文研究神经模型在关系抽取（RE）任务中的表现，并提出了一种基于实体掩码对比预训练框架，旨在深入理解文本上下文和类型信息，同时避免了对命名实体的机械记忆或表浅提示的使用。实验证明，该框架可以提高不同情况下的神经模型的效果和鲁棒性。

Oct, 2020

本研究提出了一种基于媒体上流传的原始报道的可解释的假新闻检测方法，使用粗到细的级联证据蒸馏神经网络来选择最可解释的句子以提供 verdict，并构建了两个可公开获取的可解释假新闻数据集。实验表明，该模型显著优于现有基线模型，从不同角度提供高质量的解释。

Sep, 2022

本文报道了一种新的 CNN-RNN-transducer 结构 ContextNet，它包括一个全卷积编码器，通过添加 squeeze-and-excitation 模块将全局上下文信息嵌入到卷积层中，以及一个简单的缩放方法，实现了计算和准确度之间的良好折衷，这种模型在多个基准测试集上显著优于其他模型。

May, 2020

提出了一种基于符号知识图谱的预训练语言模型生成任务相关信息的 CommonSense Contextualizer (CoSe-Co) 模型，该模型结合句子作为输入文本的上下文信息，以构建一种新的数据集用于训练 CoSe-Co 模型，并在多项选择 QA 以及常识推理任务中展现出显著提高的性能

Jun, 2022

本文提出使用搜索引擎检索并选择一些语义相关的文本来找到句子的外部上下文。我们发现，使用合作学习训练模型，可以更好地利用外部上下文提高模型的性能，在 5 个领域的 8 个数据集上取得了最新的最佳成绩。

May, 2021

MulCo 是一种用于更好地融合 BERT 和 GNN 对本地和全局上下文特征的技术，通过对比 GNN 多层多跳子图（全局上下文嵌入）和 BERT 输出（本地上下文嵌入），MulCo 实现了 GNN 和 BERT 模块的协同参数化。MulCo 在多个时间关系提取数据集上取得了新的最先进结果。

Sep, 2022

本研究提出了一种模块化的方法，用于在多文档环境中生成包含目标信息的连贯文本，为进一步探索模块化文本生成提供了基础，提高了生成内容的质量和可靠性。

Mar, 2024