该研究提出了一种递归分割和重述复杂英语句子的方法，生成简化句子的新语义层级结构，可用于机器翻译或信息提取等人工智能任务，手动和自动评估都表明该方法在结构文本简化方面表现优于现有技术，并用于近似 346% 精度和 52% 召回率地改良现有句子提取系统的性能。

Jun, 2019

本研究提出了一种基于事实信息的控制简化方法，使用句法依赖分析将复合和复杂句子拆分为简化句子的集合，并用统计方法度量了句子的句法复杂度，通过本方法，可在不失信息的情况下简化语言，用于知识图谱中三元组的提取与构建。

Apr, 2023

该研究提出了一种新的句子简化任务 ——Split-and-Rephrase，在将复杂句子转换为意思相同的短句子方面有着潜在的价值。该任务可以作为自然语言处理的预处理步骤，可以帮助解析器、语义角色标注器和机器翻译系统提高性能，并对阅读障碍者有帮助。该研究提出了五种模型来应对这一任务。

Jul, 2017

本论文提出了一种基于自动语义分析器的简单有效的句子分割算法，并通过神经机器翻译进行进一步微调的简化操作，其中采用语义分析为基础的分割方式可以有效地解决以往机器翻译的过于保守的问题，经过广泛的自动化和人工评估，该方法在词汇和结构简化方面表现优异。

Oct, 2018

本文介绍了一种针对法律文本的无监督简化方法（USLT），该方法通过检测复杂词汇并利用掩码变换模型生成候选词，选取候选词进行替换，并在保留语义的同时将长句递归地分解为较短的核心句和上下文句，从而优于最先进的通用领域文本简化方法。

Sep, 2022

该研究文献介绍了一个新的句子分割语料库，其中包括 203K 个对齐的复杂源语句和简化目标语句。该语料库有利于开发将具有复杂语言结构的句子转化为简单结构的方法，以利于其下游应用的处理和提高性能。

Sep, 2019

本研究提出了一种新颖的句子简化方法，使用基于语义的方法进行句子拆分，不需要手动编写规则或训练语料库，研究表明这个无监督框架与四个最先进的监督系统竞争力相当，并且我们提出的基于语义的方法能够有效地处理句子拆分。

Jul, 2015

本研究探讨并验证了通过文本简化改善阅读理解相关任务的可行性，创建了被简化过的 SQuAD 数据集 (Simple-SQuAD)，并实验表明文本简化对于基于 SQuAD 的问答任务，确实可以提高 2.04% 的精确匹配率和 1.74% 的 F1 值。

Sep, 2021

本文中，我们呈现了一种将认知辅助领域的知识引入到文本简化模型中的方法，通过引入归纳偏差，决定何时使用简化操作。我们证明了通过将这种归纳偏差添加到文本简化模型中，它能够更好地适应认知简化而无需查看简化数据，并且在传统的文本简化基准测试上优于基线模型。此外，我们提供了一个新颖的认知简化测试数据集，并分析了认知简化语料库与现有文本简化语料库之间在应用简化操作方面的区别。

Nov, 2022

本文提出了一种基于无监督机器翻译的文本简化方法，使用 back-translation 架构和噪声自编码器生成平行语料，引入不同类型的噪声进行训练的不对称去噪方法可以显著提高简化性能。模型在无监督和半监督学习中均具备较好性能，能够与当前多种最先进的简化系统竞争。

Apr, 2020