- ReacLLaMA：化学反应 AI 模型中化学和文本信息的融合
通过结合过程文本并使用两种主要方法（ReacLLaMA-Adapter 和 Zero-Shot Labeling ReacLLaMA），改进 Graphormer 反应模型的准确性，提高了对不良反应的辨别能力，从而提供了更准确的具有改进特异 - ACL面向程序化问答的图引导问题回答生成
我们提出了一种使用自动生成的训练数据生成高性能任务特定问答模型的方法，该方法可以在手机等终端上运行且竞争力强，通过从过程性文本中自动生成详尽的领域内问答对进行训练，结构化的过程性文本是关键的技术支持。
- 无监督学习食谱图
提出一种无监督学习的方法，使用图表示法从烹饪食谱中提取相关信息，并通过解码图成文本进行监督，与其他方法相比，使用文本到图和图到文本的方式迭代学习图结构和参数，并通过与标注数据集的实体对比、输入和输出文本的差异对比以及与现有方法生成的图的对比 - ACL通过多任务学习模型和提及引导解码的有效利用实体追踪
该研究介绍了一种名为 MeeT 的多任务学习启发的实体跟踪方法，该方法利用一般领域任务中获得的知识来提高实体跟踪的准确性，无需设计具体的模型结构或专门的预训练，在两个常用的实体跟踪数据集上实现了最佳效果。
- ECCVGraph2Vid: 弱监督多步定位的流程图到视频对齐
本文提出了一种基于流程图及泛指操作文本的无需标注步骤顺序的视频多步弱监督本地化算法 Graph2Vid，并扩展了 CrossTask 数据集以验证算法有效性。
- ACL如果……” 程序推理相关常识子图
本研究旨在通过外部常识知识帮助解决学习因果推理的挑战，我们提出了一种新颖的多跳图推理模型来预测因果答案，从而在 WIQA 基准测试中实现了最先进的性能水平。
- EMNLP开放领域流程文本实体跟踪数据集
本篇论文利用开放词汇表，提出一种新的任务形式，通过给定程序文本来生成每个步骤的状态更改元组，并使用众包创建数据集 OPENPI1，其中包含来自 WikiHow.com 中 810 个实际段落、4,050 个句子的 29,928 个状态更改， - WWW多阶段训练的知识感知程序文本理解
研究了手续性文本理解的挑战，发现外部知识注入和数据不足的问题，提出了一个多阶段训练的知识感知 KOALA 模型，最终在 ProPara 和 Recipes 数据集上达到了最先进的性能表现。
- EMNLPWIQA：一份针对过程文本中的 “What if…” 推理的数据集
WIQA 是一个包含大量关于程序性文本 “What if…” 问题的数据集，其中包括描述过程的段落、描述一个变化如何影响另一个的众包影响图和从图中派生的大量 “what if…” 多项选择问题，包括对段落中提到的步骤进行干扰、需要常识知识的 - EMNLP一切皆有因：在程序性文本中发现行动目的
该研究目标在于通过开发新模型 XPAD，解释性地预测动作之间的依赖关系，以及扩展 ProPara 基准数据集来解释行动，结果表明 XPAD 在新的任务中显著优于之前的系统。
- EMNLP利用 Transformer 网络有效实现实体追踪
本研究探讨了在过程性文本中使用预训练的 transformer 网络跟踪实体的能力，发现通过调整输入结构，可以取得更好的实体跟踪结果，在配方中实现了材料检测以及在科学过程中进行了问答，达到了最先进的结果，但我们的模型仍然主要关注表面上下文线 - ACLE3: 基于蕴含推理的对话机读取的提取和编辑
本文提出了一个新的对话式机器阅读模型，它可以从程序化文本中抽取一组决策规则，同时推论哪些受对话历史所涵盖，哪些需要编辑以创建用户的问题，并在最近发布的 ShARC 对话式机器阅读数据集上达到了最新的最佳性能，释放了我们的模型和实验源代码。
- 跟踪离散和连续实体状态以了解过程
本文提出了一种结构化的神经架构来跟踪实体的发展，包括每个实体的隐藏连续表达和全局离散状态结构，使用神经 CRF 来约束实体状态随时间的演变。我们在 ProPara 数据集上对该模型进行了评估，在 QA 任务中取得了最先进的结果。
- ACL根据书本玩游戏：从文本中提取动作网络的交互式游戏方法
提出一种新的方法 Text2Quest，将过程文本解释为交互式游戏的说明，以从材料科学论文中提取动作图形。该方法可以补充现有方法，并实现比静态文本更丰富的学习形式。
- ICLR利用机器阅读理解从文本构建动态知识图谱
我们提出了一种神经机器阅读模型，它从过程文本中构建动态知识图，并利用它们来跟踪参与实体的演变状态，从而改善机器对文本的理解。
- NIPS从材料科学合成程序中自动提取行为图
本文介绍了一种自动从物质科学期刊文章中提取无机化合物实验合成结构化信息的系统，定义为一组链接事件，由提取的科学实体构成，同时评估了两种无监督方法和多种有监督模型。