本文描述了 Smart Compose 系统，它利用大规模神经语言模型和最先进的机器学习技术为 Gmail 用户提供实时的自动建议功能，解决了邮件撰写中的重复输入问题，并采用了特殊的基础设施以实现高吞吐量和实时推理。实验结果表明，所提出的系统具有良好的性能并在 Gmail 中投入使用。

May, 2019

本研究提出了基于神经语言建模的深度学习方法，以改善基于流行度的方法无法预测未见过的查询的主要限制，并通过集成用户信息实现个性化建议，使用时间信息并研究如何增加建议的多样性，从而在准确性和可扩展性方面显著改善前人最佳方法，迈向生产搜索引擎中的神经查询自动完成。

Apr, 2018

通过使用适应性语言模型生成个性化的查询完成并使用在线更新来进行预测，相比没有用户信息的基准线，个性化预测效果显著提升。

Apr, 2018

通过提取自然语言的关键字，我们提出了一种无监督的文本自动完成方法，以权衡任务的效率、准确性和人类可读性，并呈现出在给定效率水平下比其他基线更准确的自动完成系统。

Nov, 2019

通过自动修订提示符来进行个性化文本生成的研究。

Sep, 2023

本文介绍了一种中间训练策略，利用新的自监督培训目标 Next Phrase Prediction（NPP），以提高预训练语言模型在文本自动完成任务中的表现，并快速适应特定领域。初步实验结果显示，我们的方法能够在电子邮件和学术写作领域的自动补全中胜过基线。

Sep, 2021

本文提出了一个文本编辑器，使用自动文本摘要为用户提供不断更新的逐段摘要，以边缘注释的方式帮助用户规划、结构化和反思写作过程。通过两个用户研究，作者发现这个系统为用户提供了一个外部的视角来帮助他们修改段落的内容和范围，并且帮助用户快速了解文本的总体情况和开发一些集成自动摘要中得到的见解的策略。通过探究和强调设计 AI 工具以帮助写作的价值，这项工作突显了自然语言处理 (NLP) 能够超越直接的文本生成和纠正。

Aug, 2022

GhostWriter 是一种使用大型语言模型 (LLM) 进行人工智能增强的写作设计探针，用户可以在写作过程中隐式地学习其预期写作风格，并通过手动样式编辑和注释实现显式教学，研究结果表明 GhostWriter 帮助用户个性化生成文本，通过提供多种方式控制系统的写作风格增强用户的能力，为未来的工作提供了设计建议。

Feb, 2024

个性化文本生成是一个新兴的研究领域，通过使用大型语言模型 (LLMs)，我们提出了一种通用的个性化文本生成方法。借鉴写作教育的实践，我们开发了一个多阶段和多任务的框架来教授 LLMs 进行个性化生成。我们的方法包括检索、排名、总结、综合和生成多个阶段，并引入了一个多任务设置来进一步提高模型的生成能力。我们在三个涵盖不同代表性领域的公开数据集上评估了我们的方法，结果显示相对于各种基线模型，我们取得了显著的改进。

Aug, 2023

使用机器学习自动评估和构建早期写作的反馈，通过序列到序列模型将学生的早期写作 “翻译” 成 “传统” 写作，从而能够使用语言度量对翻译后的文本进行分析，并使用鲁棒似然方法减轻数据集中的噪声效应，并通过一系列数值实验证明能以高准确率预测传统文本。

Nov, 2023