该论文探讨在多模态对话中，为了创建新的可视化效果，如何通过引用解析来实现用户对大屏幕可视化的引用。它描述了实体引用注释和引用解析管道，并研究了传统 CRF 和深度学习 / 转换器模型（BiLSTM-CRF 和 BERT-CRF）。结果表明，深度学习方法的转移学习显著提高了性能，虽然 CRF 仍然优于它们，但表明传统方法在低资源数据方面可能具有更好的泛化能力。

Sep, 2022

参考解析是一个重要的问题，对于理解和成功处理各种背景具有至关重要的作用。本文展示了如何利用 LLMs 创建一个极其有效的系统来解析各种类型的参考，通过将参考解析转化为一个语言建模问题，包括屏幕上的实体这类传统上不便于仅限于文本模态的形式。我们展示了在不同类型的参考上相对现有系统相似功能的巨大改进，最小的模型对于屏幕上的参考获得了超过 5％的绝对增益。我们还与 GPT-3.5 和 GPT-4 进行了基准测试，最小的模型在性能上相当于 GPT-4，而我们较大的模型则远远超过了它。

Mar, 2024

提出了一个利用个性化特征提高产品排名准确性的新框架，该框架通过建立跨来源异构知识图来联合学习客户和产品嵌入，并将产品、客户和历史表示结合到神经重排模型中以预测特定客户最有可能购买的候选产品。实验表明，相比最先进的产品搜索模型，我们的模型将前几名的候选产品的准确性提高了 24.6%。

Apr, 2021

本文旨在通过回顾研究中所采用的数据集、评估指标和研究方法来澄清名词消解中两个任务的范围，以提供对此 NLP 问题的清晰理解和需要关注的问题。

May, 2018

本文提出了一种混合模型，通过将多个基于规则的筛子与针对代词的机器学习筛子相结合，解决了代词消解的挑战。该方法在 400 个文档的波斯语语言语料库中蕴含着出色的性能，并通过与先前模型的比较证明了其有效性。

Nov, 2022

本研究旨在使用更好的视觉上下文测量标准，将对象识别和自然语言表达结合起来，从而提高对象识别和自然语言表达模型的性能。在 RefCOCO、RefCOCO+ 和 RefCOCOg 三个数据集上的评估表明，我们的方法对于对象指称生成和理解都具有优势。

Jul, 2016

该研究提出了一种面向上下文的实体参照生成模型，并解决了现有模型依赖于特定实体训练数据的局限性，同时在 WebNLG 数据集上进行的实验表明，该模型在多个方面有着优越的表现。

Sep, 2019

本研究提出一种基于依存关系嵌入技术的语义选择偏好模型，能够对高频词汇的匹配提供细粒度的判断。实验结果表明，该模型提高了 CoNLL 数据集的共指解析性能，达到了更复杂系统的最新水平，但其代价也值得商榷。

Jul, 2017

本文研究了会话人工智能中的歧义检测和指代消解，使用 TOD-BERT 和 LXMERT 模型等对此进行了实现和对比，并得出了语言模型能够检测歧义且单模态指代消解模型可通过智能对象表示避免使用视觉组件等结论。

Feb, 2022

本研究探讨了自然语言生成和阅读，特别是在图像中的特定物体的指称表达。我们提出了两种方法来利用人类生成表达的理解模块，以改进表达的生成质量，并在多个基准数据集上展示了改进效果。

Jan, 2017