本文介绍了计算机辅助翻译 (CAT) 的核心功能自动补全，而之前的研究缺少针对单词级别自动补全的检测，并提供了第一个公共数据集进行检测以促进研究进展。作者提出一种有效的方法进行单词级别自动补全，并与几个强基线进行比较。实验表明，我们提出的方法可以比基线方法更准确地预测我们的基准数据集。

May, 2021

本研究利用预训练模型和随机抽样等方法，为机器翻译提供了句子和单词级别的自动翻译建议和自动补全功能，并且介绍了一种基于 CTranslate2 的翻译 API。

Oct, 2022

计算机辅助翻译（CAT）旨在提高人工翻译效率，本文提出了 INarIG 模型用于 Word-Level Auto Completion 任务，该模型能更好地处理低频词，提高预测准确率，并在 WMT22 和基准数据集上取得了最新效果。

Nov, 2023

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

本文提出了一种高效的神经网络查询自动完成系统，利用有效的上下文建模和非标准化语言模型，在生成候选项和排名候选项时实现较好的性能，可用于改进用户搜索体验。

Aug, 2020

本文提出使用子词语言模型实现查询建议的快速准确生成，并介绍了一种重迹迹算法和近似边缘化的重排序方法来解决子词语言模型引入的问题。通过使用新的评估指标均可恢复长度（MRL），我们的模型可在保持生成结果质量相似的情况下实现最多 2.5 倍的速度提升，并进行了全面细致的分析。

Sep, 2019

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

我们开发了一个机器学习模型，可以根据代码上下文和可用的遥测数据准确预测何时调用代码补全工具，该模型显著优于基准模型并在维持低延迟的同时集成了一些额外的遥测数据。

May, 2024

通过在真实的代码完成实例上训练模型，我们研究了代码完成的预测性能，并发现这些模型比在源代码和工作版本快照上训练的模型分别提高了 12.8% 和 13.8% 的准确性，这与程序员实际自动完成使用率增加 6.2% 相对应，证明了真实的代码完成示例对于构建强大的模型非常重要。

Nov, 2020