本研究提出了RusBEIR，这是一个针对俄语的信息检索模型基准，强调了预处理的重要性。验证了BM25作为强基线，神经模型在大多数数据集上表现优越，但在长文档检索中受限于输入大小。RusBEIR为俄语信息检索研究提供了统一框架。

本研究提出了一种个性化运动范围预测方法，基于用户功能评估分数嵌入神经模型，以提升机器人护理服务的个性化能力。

本研究通过模糊注意层提升神经模型在心理研究中的解释性和有效性，尤其在社交互动的神经信号分析中。实验表明，该模型提高了预测性能，并加深了对人际接触和情感交流的理解。

本文提出了一个无监督框架，用于共同建模微博交谈中的主题内容和话语行为。通过神经模型发现会话涉及的主题和参与者表达意见的词群。实验证明，该模型能产生连贯的主题和有意义的话语行为。研究还发现，该框架可以增强微博信息分类的性能。

这篇文章介绍了信息检索系统的发展和大型语言模型（LLMs）与信息检索系统的整合。研究人员正在探索将传统的基于术语的检索方法与现代神经架构相结合的方式，以解决神经模型面临的挑战。LLMs的出现进一步革命了自然语言处理，最近的研究集中于利用这些先进的LLMs来改进信息检索系统的性能和能力。

OpenNRE是一个开源的工具包，用于实现神经模型进行关系抽取。它支持训练定制模型从文本中提取结构化关系事实，并提供了各种功能性的关系抽取模块。此外，还有一个在线系统可实时提取事实并与维基数据对齐，适用于各种知识驱动应用。

现代命名实体识别系统在神经模型时代中性能稳步提高。本文通过对最高性能NER模型的测试输出进行分析，并在测试集上引入新的文档级注释，对其性能进行评估。通过对错误进行分类，超越F1分数，解释NER的真实技术水平并指导未来研究。回顾了之前纠正测试集缺陷的尝试，并引入了一个新的纠正版本CoNLL#，解决了系统性和常见错误，允许进行低噪声、可解释的错误分析。

本研究通过在资源稀缺环境中使用插入式脚注和嵌入式翻译信息来增强神经模型，模型在 SIGMORPHON 2023 共享任务数据集上表现优于现有技术水平。仅使用 100 个句子进行训练时，模型在极度资源稀缺环境中平均改善了 9.78 个百分点。研究结果突显了翻译信息在提升系统性能方面的关键作用，为语言的记载和保护提供了有希望的途径。

本论文介绍了MAIA，一种多模态自动解释性代理，利用神经模型自动化神经模型理解任务，并提供实验和解释工具。评估结果显示，MAIA在计算机视觉模型中具有良好的应用潜力。

研究证明，嵌入知识图谱可以提高实体和专有名词的翻译效果。提出了两种方法以增强神经模型的语义特征提取和对数据稀缺性和词汇表外的单词的挑战进行了探讨。KG-NMT 模型取得了很好的效果。

本研究提出了一项最小化的对话任务，测试和分析对话系统在复杂场景下的共同理解能力。收集了6,760个对话的数据集，并对共同理解的重要现象进行了分析。评估和分析了利用神经模型识别共同话语的常见方法，为对话系统的训练、评估和分析提供基础测试平台。

本文回顾了视觉+语言领域中的多个任务和模型，并提出了将这些任务分为3个类别的思想。研究表明，未来的工作应该专注于交互式游戏，其中自然语言的交流对于解决不确定性是必要的。这些是发展基于神经模型的关键要求。

本文介绍了一种通过KANDY基准框架生成多种学习和推理任务的方法，特别关注符号组合性。实验评估发现，神经模型和纯符号方法在解决任务时存在困难，需要应用先进的神经符号方法。

研究了基于神经模型的推特谣言检测决策过程，发现CMA-R方法能够识别解释模型预测的显著推文，具有一致性。CMA-R突出关键推文中的因果影响词汇，提供了谣言检测系统的可解释性和透明度。

本文介绍了一种简单准确的神经模型，用于词语语义角色标注。该模型通过双向LSTM编码器预测谓词论元依赖关系，在英语上取得有竞争力的性能。同时，在自动生成词性标注作为输入时，性能优于先前的模型，并接近英语CoNLL-2009数据集的最佳结果。在中文、捷克语和西班牙语上也取得了有竞争力的结果。基于语法的解析器在领域外数据上不可靠，而基于语法不可知的模型表现更健壮，在领域外测试集上得到了最佳结果。

该研究提出了一种通过神经模型进行面部验证的方法，将面部验证问题简化为二进制问题，并使用超网络生成模型权重。该方法生成了紧凑的个性化面部识别模型，减少了参数和计算负荷。研究证明该方法与最先进的模型相媲美或更好，并进行了广泛的剔除研究以证明每个元素的重要性。

该研究提出了一种新的神经模型，能够动态跟踪论证对话中主题和话语变化对说服力的影响。实验证明该模型能有效辨别具有说服力的论证，并发现主题和话语对说服力有帮助。然而，优秀的话语风格可能会在社交媒体争议中引起偏见。

本文研究了大型语言模型的预训练是否会赋予其非语言推理的归纳偏差，并通过试验发现预先训练的模型明显优于非预先训练的神经模型，即使在更少参数的情况下进行训练。同时，即使在预训练多语言文本或计算机代码并生成合成语言的情况下，也可以持续预训练的积极效应。这些发现暗示了预先培训与模型的归纳学习能力之间的深层联系。

DoubleMix是一种插值数据增强方法，通过在神经模型的隐藏空间中进行插值和学习“偏移”特征来提高模型的鲁棒性。该方法在六个文本分类基准数据集上优于其他流行的文本增强技术，并且在低资源情况下也能保持性能的提升。

本文提出了一个新的易于插拔的统一框架，比较了常见的IR度量和神经模型在多个句子对分数任务和数据集上的性能，并尝试通过发布新的数据集来改进比较。在Ubuntu对话数据集上，他们使用训练好的句子模型进行多任务复用，并提出了新的最优结果。