利用非结构化的板球文字评论作为构建全面的板球运动员强项和弱项规则的宝贵资源，本研究建立了计算模型来提取控制板球运动员强项和弱项的规则，为个别选手的策略开发提供便利。

Nov, 2023

本文介绍了 K-SportsSum，它是一个由大规模比赛实时评论和体育新闻构成的新数据集，并提出了一种知识增强式总结器，利用实时评论和知识来生成更具信息量的体育新闻，实验证明了我们的模型达到了新的最高水平。

Nov, 2021

本研究提出了一项从结构化数据记录中生成游戏评论的任务，利用一种大规模的电子竞技数据集和多种基线编码器 - 解码器模型以及一种层次模型来生成各个层面的比赛评论，结果表明层次模型优势明显，并且揭示了几个新任务带来的挑战。

Dec, 2022

本文发布了第一个英文版的体育比赛摘要数据集 GOAL，其中包含了 103 组评论 - 新闻对和 2160 个未标记的评论文档，并基于该数据集建立和评估了几种基线模型，包括抽取式和生成式模型。实验结果表明该任务仍然具有挑战性，并且希望该工作能够促进体育比赛摘要的深入研究。

Jul, 2022

本文提出了一个新的任务制定，旨在利用足球比赛的实时解说识别发生在比赛中的事件，验证了将体育赛事作为自然语言理解和状态追踪的简单、完全可观测系统的可行性，并证明在定义宽泛的状态或非事件交谈变得流行时，即使对于先进的现有方法，如具有时间依赖性的句子分类和当前最先进的生成模型在状态跟踪任务上仍然具有挑战性。

Jun, 2021

本研究是基于任务驱动面试方法，研究本科生如何使用包括文本数据在内的非结构化数据进行分类，并探究文本的特征，最终发现了三种类型的特征（功能，内容和形式），大部分在第一种情境中产生。

Jan, 2023

我们研究了如何使用多种自然语言处理技术和方法自动识别体育赛事中的主要动作，并通过分析来自不同来源的现场体育评论以及将这些主要动作分类来提取洞察。我们还研究了情感分析是否能够帮助检测这些主要动作。

Jul, 2023

本文针对草地网球赛的广播录像，利用从互联网上获得的人类创造的描述生成丰富的语义描述，形似于体育网站上专家人类写的文本评论，经测试能提供准确性和可读性。

Nov, 2015

本研究通过对不同场景下内容结构研究所提供的深刻解释，从内容感知的角度，对广播体育的内容感知系统的相关主题进行了总结，重点关注了过去十年在体育节目中应用的视频内容分析技术以及针对对象、事件和上下文的分析方法，旨在确定用户需求。最后，本文总结了广播体育视频分析的未来趋势与挑战。

Mar, 2017

本文提出了一种基于密集视频字幕的评论生成任务，旨在为足球比赛提供文字评论，以便广播公司能够将视频内容总结成同步且有意义的文字评论，从而更好地满足足球粉丝的需求，增强足球内容的可理解性和可访问性。

Apr, 2023