本文研究基于上下文感知分类器的对话生成方法，通过对重复性的控制，提高了人工生成文本的质量和真实性。

Dec, 2021

本研究旨在探究英语开放领域口语对话中词汇构造的重复现象及其对语言信息负荷的缓解效果，结合神经语言模型的信息内容定量分析结果表明，重复使用构造能够降低话语信息含量，特别是在频率和密度较高、涉及指称构造的情况下效果更佳。

Oct, 2022

本工作探索了重复生成，并提出了一种加权标签平滑方法和一种重复评分方法来输出更合适的重复，并在 T5 语言模型上进行了评估，实验结果表明我们的方法在自动和人工评估中均优于基线。

Jul, 2022

这篇论文通过检验表面重复现象的视角，定量地研究了文本生成中的表面特征对上下文学习的作用，并实证了一种被称为 “令牌共现强化” 的原则，强调了两个令牌在上下文共现下的关系。通过研究这些特征的双重影响，我们的研究揭示了上下文学习的内部机制和其失败的原因。这篇论文对于理解上下文学习及其潜在限制作出了重要贡献，并为这一令人兴奋的能力提供了新的视角。

Sep, 2023

本文通过引入强化学习（RL）进行用户交互训练，实现了一个更加人性化的劝说对话系统，并成功在捐赠劝说任务中取得了优于先前最先进的对话模型的表现。

Dec, 2020

通过量化实验研究，我们发现神经语言模型生成文本中会存在连续重复句子的现象，并提出了针对该现象的训练方法 DITTO，该方法不仅可以缓解生成中的重复问题，同时还能提高生成质量。

Jun, 2022

通过对话语境和反馈响应进行对比学习，本文研究了将其嵌入到相同表示空间的可能性。通过使用嵌入模型评估其在美式英语对话中作为上下文 - 反馈适当性度量和反馈响应排序的效果，结果表明该模型在相同排序任务上优于人类，且学习到的嵌入包含了反馈响应的会话功能信息。

Jun, 2024

本研究提出了一种基于视觉和对话环境的生成模型来产生有效指代话语，并实现了一个参照解析系统进行评估。实验结果表明，相比其它非对话背景下的模型，该模型能够产生更加有效的指代话语，而且在生成具有人类语言模式的后续指代方面表现出良好的效果。

Nov, 2020

本论文提出一种结合精准和非精准重复抑制技术的自然语言生成方法，使用 token 和序列级别的不可能度量进行训练，推理和后处理，从而控制 LLM 的重复和内容质量。经过实验验证，该方法能够有效地抑制重复和确保内容质量。

Apr, 2023

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