- 面向上下文感知神经机器翻译的聚焦拼接
本文提出一种改进的连接方法，加强句子边界和相对句子距离概念，从而促进模型满足上下文折扣化目标，提高语境感知神经机器翻译，表现优于基准连接法和其他复杂的上下文感知系统。
- HMI 中自动上下文驱动的参与度推理调查
本文综述了过去在人机交互中与情感参与度推测相关领域的前沿工作，包括交互上下文、情感组成因素及其影响、公开数据集、认证准确度、最常用的特征和方法，指导未来开发致力于可靠的上下文感知和情感推测能力的人机交互界面。
- 检测过程执行中的上下文感知偏差
本文提供了一个系统性的框架来整合不同的应用场景和偏差检测技术，实现上下文感知型的检测。该框架可以区分积极和消极的背景条件，并可被扩展至不同的上下文和场景中，并通过对 255 种不同情境下的实验验证了其有效性。
- QRelScore: 基于上下文感知关联性更好地评估生成的问题
提出了一种基于上下文的问题生成的相关性评估度量，称为 QRelScore，它使用字级层次匹配和基于句子级提示的生成，能够应对复杂的推理和多个证据的多样化生成，并且与现有度量相比，具有更高的相关性，并且更具鲁棒性。
- SIGIR使用上下文感知特征表示学习提高 CTR 预测
本文中提出的特征精炼网络 (FRNet) 可在不同上下文中学习以比特级为单位的特征表示，以提高 CTR 预测精度。FRNet 包括信息抽取单元 (IEU) 和互补选择门 (CSGate) 两个关键组成部分，能兼容现有的 CTR 方法，并通过 - CAiD: 基于上下文感知的医学影像自监督学习实例鉴别
该研究提出了一种基于 Context-Aware instance Discrimination（CAiD）的简单有效自监督框架，用于从未标记的医学图像中提取更具区别性的特征。实验结果表明，CAiD 能够丰富已有的实例区别方法所学习的表征， - 基于上下文和属性感知的交叉注意力下一项推荐模型
本文提出了使用多头自注意力块捕捉上下文和物品属性的上下文和属性感知推荐模型（CARCA），通过跨项目关注来预测它们的最终评分，实验证明该模型在评分预测中的表现优于当前最先进的模型，提高了 53％的归一化折扣累计增益（NDCG）和命中率。
- ACL使用迁移学习和主动学习进行高效的论证结构提取
本研究提出了一种基于 Transformer 的上下文感知论点结构预测模型，该模型在五个不同领域中显著优于仅编码有限上下文或仅依赖特征的模型，并提出了模型无关的样本获取策略，可推广到各种领域。通过大量实验证明，在进行跨领域的主动学习早期阶段 - 建模电商搜索中用户的上下文化页面反馈，用以预测点击率
该论文提出了一种新的上下文感知用户行为建模思路，通过包含完整页面上暴露的产品和相应的反馈作为上下文的页面级反馈序列，可以捕捉到页面内上下文信息和页面间兴趣演化，以学习更具体的用户偏好。作者设计了一种采用页面上下文感知注意力的新型神经排序模型 - 通过端到端上下文感知聚类为开放式响应调查提供洞察
本研究提出了一种新颖的端到端的上下文感知框架，该框架可提取、聚合和缩略嵌入式语义模式的开放响应调查数据，在识别度上优于传统的基于关键词的方法。利用预训练的自然语言模型对文本数据进行编码，将其转化为语义向量，并通过聚类的方式将向量划分到若干组 - AAAI针对目标检测的上下文感知迁移攻击
本篇研究提出一种基于对象共现和它们相对位置和大小作为上下文信息的上下文感知攻击方法，可成功针对黑盒对象检测器生成有针对性的误分类攻击，并在 PASCAL VOC 数据集上实现高达 20% 以上的性能提升。
- 基于对比学习的用户行为序列的上下文感知文档排名
本文介绍一种基于对比学习的用户搜索行为序列生成方法，包括三种数据增强策略，通过将用户行为序列与其他序列进行对比，生成更鲁棒的表示，在文档排名中应用，取得了比现有方法显著更好的效果，展现了该方法在上下文感知文档排名方面的有效性
- IJCAI基于学习语义先验的上下文感知图像修复
本文提出了一种基于预训练任务和语义先验的图像修复方法，通过预处理任务学习语义先验并将其适应于图像修复，提出了一种上下文感知的图像修复模型，全面融合全局语义和局部特征，实现了对 Places2，CelebA 和 Paris StreetVie - KDDUCPhrase: 无监督上下文感知质量短语标注
本文提出了 UCPhrase，一种新型的无监督上下文感知高质量短语标记器，它利用基于上下文一致性的词序列自动提取高质量短语，并通过基于变换器的神经网络和标签共同训练轻量级跨度预测模型识别表面名称或频率不同的高质量短语。该方法在语料库级别短语 - ACLDocOIE: 一份基于上下文的开放信息抽取文档级数据集
本文介绍了一种基于上下文的文档级 OpenIE 模型并提供了一个文档级上下文感知的 OpenIE 数据集 (DocOIE) 用于评估，实验证明该模型能够显著提高 OpenIE 性能。
- KDDLightCAKE: 一个轻量级的上下文感知知识图谱嵌入框架
本文提出了一个名为 LightCAKE 的轻量级框架，该框架通过迭代聚合策略将图谱上下文信息集成到实体 / 关系嵌入中，以实现上下文感知知识图嵌入。实验表明，该框架在许多简单 KGE 模型的基础上能够实现卓越的结果。
- 基于语言丰富和上下文感知的零样本槽位填充
提出了一种新的零射击槽填充神经模型 LEONA，通过利用语言特征、命名实体识别提示、预训练语言模型的上下文嵌入，从而获得领域无关的上下文感知表示，通过三步骤 fine-tunes 产生独立于槽的标签，并使用可推广的上下文感知语句 - 槽相似 - 深入探究上下文感知神经机器翻译
本文研究了文档级 NMT 模型在四个不同领域中的性能，并发现不同的架构适用于不同的任务，同时发现上下文感知系统在任务特定问题上有改进，而文本级别的指标（如 BLEU）没有显着改进。同时，本文还表明，文档级别的回译对于缺乏文档级别双文本的情况 - CVPR具有上下文感知的组合网络的遮挡下稳健物体检测
本文提出了一种利用语境感知的 Compositional 物体检测网络，通过对上下文的切分以及扩展部件投票机制来解决部分物体被遮挡的问题，实验表明该模型在检测上表现出了强大的鲁棒性。
- SIGIR自我关注的上下文感知学习排名
提出了一种基于自注意力机制的上下文感知神经网络模型，用于学习商品的排序分数，在训练和推理阶段都考虑了列表中其他商品的交互作用，相较于多层感知机模型，取得了显著的性能提升，在排序学习基准 MSLR-WEB30K 上实现了新的最佳结果。