本研究通过重新排序的方法解决了跨语言摘要的语义一致性问题，实现了不同语言间的语义相似的多目标摘要，并制定了多标准评估协议。

本研究提出了增强型推荐模型ELMRec，解决了现有推荐系统在用户与项目高阶交互建模上的不足。通过增强词嵌入和引入重新排序方案，ELMRec在直接推荐和序列推荐中表现优于现有方法。

本研究提出了一种基于Transformer架构的模型，用于实例级图像检索的重新排序。该模型在1KB内限制内存使用，并通过较少的描述符对数据库图像进行表示，提高性能而不增加内存消耗。在标准基准测试中，该方法优于手工制作和学习模型，并显著减少了内存占用。

这项研究重新审视了全非自回归翻译模型中的多模态问题，并揭示了信息冗余错误。通过手动注释模型输出，确定了与词汇和重新排序相关的信息冗余错误。提出了自动度量标准来评估这两种错误类型，以便未来研究能更全面地评估新方法的有效性。

本文介绍了ECT方法，通过从ChatGPT中学习评价模型并应用于强化学习和重新排序方法，以改善序列生成模型。实验结果表明，ECT在机器翻译、文本风格转换和摘要任务上取得了有效结果。