- EMNLP基于强化学习的推論樹可解释问答方法 (RLET)
本文提出了一种基于强化学习的蕴含树生成框架 RLET，通过句子选择和推理生成模块进行单步推理，并积累整个树的训练信号，实现了针对解释性 QA 中的逻辑推理过程，并且在三个数据集上的实验表明了使用强化学习框架的优点。
- EMNLPCOMET-QE 与主动学习在低资源机器翻译中的应用
本文研究了如何在资源稀缺情况下通过使用 COMET-QE 评估指标来选择句子用于低资源语言神经机器翻译，实验证明 COMET-QE 在句子选择方面比 RTTL 和随机选择句子等其他方法表现更好，可提高翻译结果的 BLEU 分数，并且在非常低 - ACLOBQA 情境下联合排名段落和选择相关句子的简单方法
本研究提出一种简单却有效的框架，通过联合排名文章和选择句子来解决传统方法在参数和训练效果方面的不足。通过引入一些约束条件来促进文章排名和句子选择之间的相互作用和相关性，该方法在 HotpotQA 数据集上的表现优于之前的系统和基线 28％的 - EMNLP快速且不怎么精准的：无监督选择多跳问题回答的证明句子
我们提出了一种无监督的句子选择策略，可与任何有监督的 QA 方法配对使用，此方法在两个多跳 QA 数据集上均取得了不使用外部资源训练 QA 系统的新的最先进性能，并证明我们的句子选择方法比强大的信息检索基线选择的证明更具质量，更稳定跨域。
- ACL为抽象性摘要评分句子单个和句子对
本研究旨在构建一个人类方法的框架，通过在统一空间中对单句和句对进行排名，以填补句子选择和融合的差距，支持通过压缩单句和融合句对来概括文献。在单篇和多篇文献总结数据集上开展广泛的实验，并报告了关于句子选择和抽象的发现。
- NIPS对话系统技术挑战赛 7
本文介绍了第七届对话系统技术挑战赛（DSTC）的概况和研究成果，包括不同追踪和数据集的详细描述。该比赛聚焦于建立端到端的对话系统，并于句子选择、句子生成和音视频场景感知对话等方面展开研究。参赛者使用最先进的技术取得了显著的成果。
- ACL联合学习打分和选择句子的神经文档摘要
在这篇论文中，我们提出了一种新颖的端到端神经网络框架，通过联合学习对句子进行评分和选择来实现摘要提取。在 CNN / Daily Mail 数据集上的实验证明，我们的方法比现有的抽取式摘要模型表现出更好的效果。
- 基于分布式词袋模型的多文档摘要
本文提出了一种无监督基于质心的文档级重构框架，利用分布式词袋模型来选择摘要句以最小化摘要和文档之间的重构误差，并应用句子选择和波束搜索来进一步提高模型性能。针对两个不同的数据集实验结果表明，与现有基线相比，我们的模型表现出显著的性能提升。
- 语言模型训练数据的愤世选择
提出了一种使用词汇统计来进行句子选择的信息理论方法代替 Moore-Lewis 方法，避免其存在的问题，达到相似度测量、语言模型训练数据选择等目的。
- EMNLP学习改写以进行问答
利用释义学习问题表达的多样性来提高询问回答系统在 Freebase 和句子选择上的准确性。通过训练端到端来直接学习最有可能产生正确答案的语言表达，得到了有竞争力的结果。