该论文提出了一种基于序列标注的对话重写模型，通过在 REINFORCE 框架下注入 BLEU 或 GPT-2 等损失信号，提高了生成语句的流畅度，进而在领域转移方面显示出比当前最先进系统更大的改进。

Dec, 2020

本研究提出一种将不完整话语改写问题表述成语义分割问题，通过预测单词级别的编辑矩阵来引入编辑操作，能够捕捉到局部和全局信息，取得了多个公共数据集上的最新成果。此外，我们的方法在推理中比标准方法快四倍。

Sep, 2020

通过多任务信息交互框架，包括上下文选择、编辑矩阵构建和相关性合并，捕捉语义信息的多粒度特点，从而超越同领域现有最先进模型，在两个基准数据集 Restoration-200K 和 CANAND 上表现出色。

Dec, 2023

本文介绍了一种针对不完整语音恢复的模型，名为 JET（联合学习令牌提取和文本生成）。我们设计了一种简单但有效的模型，可同时适用于提取或抽象数据集的情况。通过使用 Picker 来识别省略的 token，我们构建一个模型模拟 IUR 的本质，其中上下文中省略的 token 有助于恢复。我们设计了两种标签创建方法（软标签和硬标签），以支持 Picker。通过建模和训练，本文得出在四个基准数据集上的不错结果，表明相比于预训练的 T5 和非生成语言模型方法，在富数据或有限数据训练环境下，我们的模型表现更佳。

Apr, 2022

本文探讨了在提取式摘要中基于全文进行 contextualized rewriting，将其形式化为 seq2seq 问题，引入 group tag 作为解决方案来建立关联，通过基于内容的寻址方法识别提取式摘要，结果表明我们的方法明显优于非上下文的重写系统，无需采用强化学习，在多个提取式摘要生成器上显示出显着提高的 ROUGE 分数。

Jan, 2021

该论文介绍了如何使用对比学习和多任务学习相结合的方法来提高上下文建模中的缺失语句重写系统的目的。实验表明，该方法在几个公共数据集上均达到了最先进的性能。

Mar, 2022

采用明确的语境重写方法，基于强化学习的上下文重写网络有助于候选检索，可解释的上下文建模以及在多轮会话中使用单轮框架。

Oct, 2019

本文提出了一种基于分层上文标注的标注器，其中预测到的数个槽最终被上下文信息填充来重新编写话语，使其能够在涉及英语等会出现介词的语言时添加超出上下文范围的标记和多个跨度，并通过集群规则来截断规则分布的长尾。各种基准测试表明，使用本方法时，BLEU 点数高于最佳模型约 2 点。

Jun, 2022

本文探讨了一种半监督的方法，通过添加双向语言模型的预训练上下文嵌入到 NLP 系统中用于序列标注任务，相比其他转移学习或添加标记数据和任务特定词典的方法，在命名实体识别和块分割等任务上实现了最先进的结果。

Apr, 2017

通过将抽取和生成的方法相结合，利用生成模型提高了抽取式摘要的简洁性和可读性。本研究提出了上下文感知的重写方法，通过 group-tag alignments 将传统的抽取方式转化为生成方式，取得了显著的 ROUGE 分数提升。

Jul, 2022