该研究探讨了不同颗粒度的目标如何用于学习更好的语言表示，并提出了一种架构来联合学习标记句子和标记令牌，最终通过注意力机制将每个级别的预测组合，其中令牌级别的标签也作为显式监督来合成句子级别的表示，实验结果表明，通过在多个级别上联合执行这些任务，模型在句子分类和序列标记方面都取得了实质性的改进。

Nov, 2018

通过使用通用的基于 Bi-LSTM 的神经序列标注模型，其应用于广泛的自然语言处理任务和语言，结合从数据中提取的形态、语义和结构提示信息以进行有根据的预测，本研究在 8 个基准数据集上对其性能进行了评估，其结果在 4 个数据集上取得了最佳的表现。

Aug, 2018

提出一种新颖的基于片段级别的文本分割框架，通过 LSTM 技术构建短语表示，并利用循环神经网络模型迭代确定段落最左侧的片段。实验证明，在 3 个数据集上，该方法在句法分块和中文词性标注方面取得了显著优于先前最佳模型的表现，并在建模长期依赖方面具有有效性。

Apr, 2021

使用 BERT 嵌入 BiLSTM，发现将整个句子表示策略性地集成到每个单元格的句子表示中，可显著提高序列标注任务的 F1 得分和准确性。在包含 9 个数据集的序列标注任务中，涵盖了命名实体识别（NER）、词性标注和端到端基于方面的情感分析（E2E-ABSA），所有数据集的 F1 得分和准确率都有显著提高。

May, 2023

利用新模型解决分隔文本中缺失标点符号的问题，并实现在不同领域的高效表现，以及在实际情况中文字格式不良的具有普适性的分词方法。

Jun, 2024

本文提出了一种基于句子嵌入和生成过程模型相结合的话题建模和推断算法，使用期望最大化、硬分配和退火过程推导出快速推理算法。在评估中，我们的方法以相对较少的计算要求取得了最先进的结果。

Feb, 2023

本文针对信息输入过程中产生的错误，并基于错误分析提出了一种简单的数据增强策略，以提高神经机器翻译系统中句子边界分割的鲁棒性。

Oct, 2020

通过使用 ASR 和 NLU 的组合方式，我们构建了一种组合式的 SLU 模型，其可以将语音模态转换为传统的 token-level 表示，解决了现有 end-to-end 模型中的序列标记问题，并在命名实体识别任务上优于传统的级联和直接的 end-to-end 模型。

Oct, 2022

本文提出了三个基于深度神经网络的序列切块模型，使得每个块都可以作为完整单元进行标注，实验结果表明，这些模型在文本切块和语义槽填充任务中均可达到最先进的性能。

Jan, 2017

本研究提出了一种基于依存句法分析的情感分析模型，并对其进行了改进，包括采用新的标签策略、图注意力网络和自适应多标签分类器来优化其性能，实验结果表明我们的模型在五个基准数据集上的效果大幅优于之前的最优模型。

Mar, 2022