本文提出了一种新的时间行动定位（TAL）架构，通过特征聚合和循环机制，能够捕捉长距离依赖和时间因果关系。实验证明该方法在多个基准数据集上取得了优越结果，为未来的研究奠定了基础。

该文章提出了一种新的时间行动定位（TAL）架构，通过特征聚合和循环机制，能够捕捉长距离依赖和时间因果关系。实验证明该方法在多个基准数据集上取得了优越结果，为未来的研究奠定了基础。

Transformer-XL是一种新的神经架构，能够解决语言模型中的上下文破碎问题，通过分段级别的循环机制和新颖的位置编码方案，捕捉更长期的依赖关系。在评估期间，速度比普通的Transformers快1800多倍，并且在短序列和长序列上表现更好。实验结果显示，在多个语料库上，Transformer-XL表现更好。