Transformer over Pre-trained Transformer for Neural Text Segmentation with Enhanced Topic Coherence
Monash University（莫纳什大学）；Deakin University（迪肯大学）
本文提出了一个Transformer over Transformer框架，称为Transformer $^2$，执行神经文本分割。它由两部分组成：使用预先训练的Transformers的底层句子编码器，以及基于句子嵌入的基于转换器的上层分割模型。底层组件传输在单个和成对监督NLP任务下从大型外部语料库学习的预训练知识，以对文档的句子嵌入进行建模。给定句子嵌入，训练上层Transformer以恢复每个句子的分割边界以及主题标签。配备了多任务损失和预先训练的知识，Transformer $^2$可以更好地捕获相同段内的语义一致性。我们的实验表明：（1）Transformer $^2$在常用的语义一致性度量方面超越了最先进的文本分割模型;（2）在大多数情况下，单个和成对的预训练知识都有助于模型性能;（3）在特定语言上预训练的底层句子编码器比在特定领域上预训练的句子编码器产生更好的性能。
2021-10-14 cs.CL
Modeling Structural Similarities between Documents for Coherence Assessment with Graph Convolutional Networks
Heidelberg Institute for Theoretical Studies gGmbH（海德堡理论研究所（非营利有限责任公司））；Heidelberg University（海德堡大学）
针对现有连贯性建模方法忽略文档间关联的问题，提出基于GCN的模型，通过构建文档图、异构图捕捉结构相似性，在两项任务上达到最优水平。
2023-06-10 cs.CL
Automated Speaking Assessment of Conversation Tests with Novel Graph-based Modeling on Spoken Response Coherence
National Taiwan Normal University（国立台湾师范大学）
针对对话测试自动口语评估中连贯性建模不足的问题，提出分层图模型整合回答间交互与语义信息，在NICT-JLE数据集上显著提升评分准确率，为ASAC研究提供新方向。
2024-11-29 cs.CL
On the Contribution of Discourse Structure on Text Complexity Assessment
Concordia University（康考迪亚大学）
本文探讨了语篇特征对语篇复杂性评价的影响。为此，我们创建了两个数据集的基础上，宾夕法尼亚州的话语树库和简单的英语维基百科语料库和比较的连贯性，衔接，表面，词汇和句法功能的影响，以评估文本的复杂性。结果表明，与这两个数据集的连贯性功能更相关的文本复杂性比其他类型的功能。此外，特征选择显示，对于两个数据集，最具鉴别力的特征是相干性特征。
2017-08-19 cs.CL
Coherence Modeling of Asynchronous Conversations: A Neural Entity Grid Approach
Nanyang Technological University（南洋理工大学）；University of Amsterdam（阿姆斯特丹大学）
我们提出了一个新的连贯性模型的书面异步对话（例如，论坛，电子邮件），并显示其在一致性评估和线程重建任务中的应用。我们的研究分两步进行。首先，我们提出了改进最近提出的神经实体网格模型，通过词汇化其实体转换。然后，我们将底层会话结构的实体网格表示和特征计算模型扩展到异步会话。我们的模型在独白和对话中的标准连贯性评估任务上取得了最先进的结果，优于现有的模型。我们也证明了它的有效性重建线程结构。
2018-05-06 cs.CL
Can Transformer Models Measure Coherence In Text? Re-Thinking the Shuffle Test
UC Berkeley（加州大学伯克利分校）
Shuffle测试是评估NLP模型是否可以测量文本连贯性的最常见任务。最新的工作使用直接监督的任务;我们表明，通过简单地微调一个RoBERTa模型，我们可以实现97.8%的近乎完美的准确率，一个国家的最先进的。我们认为，这种出色的表现是不太可能导致一个良好的模型的文本连贯性，并建议洗牌测试应该在Zero-Shot设置接近：模型应该在不接受任务本身培训的情况下进行评估。我们评估了这种设置中的常见模型，如生成式和双向Transformers，并发现较大的架构可以实现开箱即用的高性能。最后，我们提出了k-块洗牌测试，通过增加洗牌块的大小对原始测试进行修改。尽管人类读者的性能仍然很高（准确率约为95%），但随着块大小的增加，模型性能从94%下降到78%，这对基准NLP模型造成了概念上的简单挑战。可用代码：https://github.com/tingofurro/shuffle_test/
2021-07-07 cs.CL
A Novel Computational and Modeling Foundation for Automatic Coherence Assessment
Bar Ilan University（巴伊兰大学）
本研究基于语篇连贯性的正式语言学定义，将其拆解为衔接、一致性、相关性三类计算任务并开展联合训练，在两个基准上验证了方法的有效性，为大规模自动连贯性评估提供了基础。
2024-08-13 cs.AI cs.CL
Does Linguistic Structure Enrichment Enhance Coherence Assessment? Not With Current Architectures
Universidade Estadual de Campinas (UNICAMP)（坎皮纳斯州立大学）
本研究探讨向文本添加句法和修辞信息能否提升连贯性评估，发现现有架构下纯文本效果更佳，并验证了连贯性可作为检测误导性内容的代理指标。
2026-09-11 cs.AI cs.CL
Automatic Readability Assessment of German Sentences with Transformer Ensembles
FH Aachen University of Applied Sciences（亚琛应用科学大学）；ORDIX AG（ORDIX股份公司）
可靠的自动可读性评估方法有可能影响从机器翻译到自学的各个领域。最近，德语的大语言模型（如GBERT和GPT-2-Wechsel）已经可用，允许开发基于深度学习的方法，这些方法有望进一步改进自动可读性评估。在这篇文章中，我们研究了微调GBERT和GPT-2-Wechsel模型的集合可靠地预测德语句子可读性的能力。我们将这些模型与语言特征相结合，并研究了预测性能对集合大小和组成的依赖性。GBERT和GPT-2-Wechsel的混合系综比仅由GBERT或GPT-2-Wechsel模型组成的相同大小的系综表现更好。我们的模型在GermEval 2022共享任务中对德语句子的文本复杂性评估进行了评估。在样本外数据上，我们的最佳集成实现了0.435的均方根误差。
2022-09-09 cs.CL
!MSA at BAREC Shared Task 2025: Ensembling Arabic Transformers for Readability Assessment
Faculty of Computer Science, MSA University（计算机科学学院，MSA大学）
本文提出了一种基于置信度加权的阿拉伯语Transformer模型集成系统，通过差异化损失函数微调、数据重标注与合成数据增强解决类别不平衡问题，在BAREC 2025共享任务六个赛道均获第一。
2025-09-12 cs.CL
CoheSentia: A Novel Benchmark of Incremental versus Holistic Assessment of Coherence in Generated Texts
Bar Ilan University（巴伊兰大学）
本文提出CoheSentia基准，通过全局和增量两种标注方法评估生成文本连贯性，发现增量模式标注一致性更高，且现有微调模型在连贯性检测上表现不佳，凸显改进需求。
2023-10-25 cs.AI cs.CL cs.DB
Method of the coherence evaluation of Ukrainian text
由于SEO技术的作用越来越大，有必要对文章的质量进行自动分析。这样的方法既可以帮助返回用户查询的最容易理解的页面，又可以将网站的位置提升到查询结果的顶部。连贯性的自动评估是文本复杂分析的一部分。本文分析了乌克兰语篇连贯性测量的主要方法。解释了使用语义相似度图方法与其他方法相比的方便性。建议通过对句子向量表示的神经网络进行预训练来改进该方法。实验检查的原始方法及其修改。培训和考试程序是在乌克兰文本的语料库上进行的，这些语料库以前是从乌克兰科学文章的摘要和全文中检索的。测试过程通过文本连贯性评估的两个典型任务：文本辨别任务和插入任务来实现。在此基础上，确定了衡量语篇连贯性的最有效的方法修正组合及其参数。
2020-10-31 cs.CL
DiscoDVT: Generating Long Text with Discourse-Aware Discrete Variational Transformer
Tsinghua University（清华大学）
尽管最近在应用预训练的语言模型生成高质量文本方面取得了进展，但生成保持长距离连贯性的长段落对于这些模型来说仍然具有挑战性。在本文中，我们提出了DiscoDVT，一个话语感知的离散变分Transformer，以解决不一致的问题。DiscoDVT学习一个离散变量序列，它总结了文本的全局结构，然后在每个解码步骤中应用它来指导生成过程。为了进一步将话语感知信息嵌入到离散的潜在表征中，我们引入了一个辅助目标来建模文本中的话语关系。我们在两个开放式故事生成数据集上进行了广泛的实验，并证明了潜在代码可以学习到与话语结构有意义的对应关系，从而指导模型生成具有更好的长程连贯性的长文本。
2021-10-12 cs.CL
Pushing on Text Readability Assessment: A Transformer Meets Handcrafted Linguistic Features
Univ. of Pennsylvania（宾夕法尼亚大学）；Univ. of Wisconsin-Madison（威斯康星大学麦迪逊分校）；LXPER AI（LXPER人工智能公司）
本文提出结合 RoBERTa 与 Random Forest 及 255 个手工语言特征的混合可读性评估模型，并引入三个高级语义新特征，在常用数据集上取得 SOTA，最高准确率达 99%。
2024-06-16 cs.AI cs.CL
Taking a Stance on Fake News: Towards Automatic Disinformation Assessment via Deep Bidirectional Transformer Language Models for Stance Detection
University of Waterloo（滑铁卢大学）
在过去十年中，社交媒体和数字新闻的指数级增长带来了不幸的后果，加剧了联合国所称的全球关注话题：虚假信息的日益普遍。鉴于通过人工评估打击虚假信息的复杂性和耗时性，人们有动力探索利用人工智能解决方案来自动评估新闻文章中是否存在虚假信息。自动识别虚假信息的有价值的第一步是立场检测，在给定的声明和新闻文章中，目标是预测文章是否同意，不同意，不采取任何立场，或者与声明无关。文献中的现有方法在很大程度上依赖于手工设计的特征或浅学习的表示（例如，词嵌入）来对声明-文章对进行编码，这可能限制解决虚假信息识别的高复杂性所需的代表性表达水平。在这项工作中，我们探讨了利用大规模深度双向Transformer语言模型编码索赔文章对的概念，以构建最先进的立场检测，以识别虚假信息。利用声明-文章对之间的双向交叉注意力，通过对自注意力进行配对编码，我们通过对RoBERTa深度双向Transformer语言模型进行迁移学习，构建了一个用于立场检测的大规模语言模型，并且能够在假新闻挑战第一阶段（FNC-I）基准测试中实现最先进的性能（加权准确率为90.01%）。这些有希望的结果是利用这种大规模语言模型作为强大的构建模块来创建有效的人工智能解决方案以对抗虚假信息的动机。
2019-11-27 cs.CL
Text Coherence Analysis Based on Deep Neural Network
Zhejiang University（浙江大学）
在本文中，我们提出了一种新的深度一致性模型（DCM），使用卷积神经网络架构来捕获文本一致性。本文从句子分布表征学习和语篇连贯建模同时进行的新视角研究了语篇连贯问题。特别是，该模型通过计算它们的分布表示的相似性来捕获句子之间的交互。此外，它可以很容易地以端到端的方式进行训练。所提出的模型进行评估标准的句子排序任务。实验结果表明，它的有效性和承诺的一致性评估显示出显着的改善，在国家的最先进的一个很大的利润。
2017-10-21 cs.CL
Code quality assessment using transformers
Stockholm University（斯德哥尔摩大学）
本文研究利用CodeBERT及任务自适应预训练Transformer模型自动评估Java代码质量，并在新数据集上验证其有效性，证明代码质量具有一定可预测性。
2023-09-17 cs.CL cs.SE
Evaluating Document-Tuned Transformer Representations for Person-level Mental Health Assessment
Vanderbilt University（范德堡大学）；Lund University（隆德大学）；Carnegie Mellon University（卡内基梅隆大学）
比较基础Transformer和文档调优Transformer在个体级心理健康评估中的表现，发现文档调优模型在预测准确性和鲁棒性上显著优于基础模型。
2026-06-23 cs.CL cs.LG
Analyzing Traditional and Neural Approaches to Multilingual Readability Assessment
Harvard University（哈佛大学）；Massachusetts Institute of Technology（麻省理工学院）；Kensho Technologies
本研究通过SHAP和TCAV方法，分析多语言Transformer模型是否内化了传统可读性评估中的语言特征，发现其恢复表面、句法和词汇多样性信号，但特征对齐因模型和语言而异。
2026-09-11 cs.CL
A comparative study of transformer-based embeddings for topic coherence
Worcester Academy Stanford Online High School（沃斯特学院斯坦福在线高中）；Stanford Online High School（斯坦福在线高中）；Lexington High School（莱克星顿高中）
本研究系统比较了七种不同规模的Transformer语言模型（从MiniLM到LLaMA-2）在BERTopic流程中对主题质量的影响，发现模型大小（从2200万到130亿参数）对主题连贯性影响可忽略。
2026-04-10 cs.AI cs.CL
Reading Between the Lines: Combining Pause Dynamics and Semantic Coherence for Automated Assessment of Thought Disorder
University of Washington（华盛顿大学）；University of Minnesota（明尼苏达大学）；Louisiana State University（路易斯安那州立大学）；Northwell Health（诺斯韦尔健康）；Feinstein Institutes for Medical Research（范斯坦医学研究所）；Donald and Barbara Zucker School of Medicine（唐纳德与芭芭拉·扎克医学院）；London Health Sciences Centre（伦敦健康科学中心）；McGill University（麦吉尔大学）；Douglas Mental Health University Institute（道格拉斯心理健康大学研究所）；Robarts Research Institute（罗巴茨研究所）；Western University（韦仕敦大学）
本研究通过结合停顿动态与语义连贯性，提出了一种可扩展的多模态框架，用于自动评估思维障碍的严重程度。
2026-02-03 cs.AI cs.CL
PLANET: Dynamic Content Planning in Autoregressive Transformers for Long-form Text Generation
Baidu Inc（百度公司）；Faculty of Science and Technology, University of Macau（澳门大学科技学院）；Virginia Tech（弗吉尼亚理工学院暨州立大学）
尽管预训练的语言模型在生成流畅文本方面取得了最新进展，但现有方法在需要适当的内容控制和规划以形成连贯的高级逻辑流的长格式文本生成任务中仍然存在不连贯问题。在这项工作中，我们提出了PLANET，一个新的生成框架，利用自回归自我注意力机制进行内容规划和表面实现动态。为了指导输出句子的生成，我们的框架使用潜在表示来丰富Transformer解码器，以维护基于词袋的句子级语义计划。此外，我们引入了一个新的基于连贯性的对比学习目标，以进一步提高输出的连贯性。在两个具有挑战性的长文本生成任务上进行了大量的实验，包括反驳生成和评论文章生成。自动和人工评估都表明，我们的方法显著优于强基线，并生成内容更丰富的连贯文本。
2022-03-17 cs.CL
Automatic Assessment of Divergent Thinking in Chinese Language with TransDis: A Transformer-Based Language Model Approach
Peking University（北京大学）；George Washington University（乔治华盛顿大学）
针对中文创造力评估缺失，提出基于Transformer的TransDis系统，能有效评估AUT任务的原创性与灵活性，效度与人类评分相当，并开放多语言平台。
2023-12-24 cs.CL stat.AP
Enhancing Risk Assessment in Transformers with Loss-at-Risk Functions
Portland State University（波特兰州立大学）；Westview High School（韦维尤高中）
针对Transformer模型在金融预测中低估极端风险的问题，本文提出将VaR和CVaR融入损失函数（Loss-at-Risk），实验证明该方法在不影响决策性能的前提下提升了风险评估能力。
2024-11-04 cs.CL cs.LG q-fin.RM
Toward Improving Coherence and Diversity of Slogan Generation
Chulalongkorn University（朱拉隆功大学）；Knorex
以前的口号生成工作集中在利用从现有的口号挖掘的口号骨架。虽然一些生成的口号可能很吸引人，但它们通常与公司在营销传播中的重点或风格不一致，因为骨架是从其他公司的口号中挖掘出来的。我们提出了一个序列到序列（seq 2seq）的Transformer模型，从一个简短的公司描述生成的口号。一个简单的seq 2seq模型被微调用于口号生成，很容易引入错误信息。我们使用公司名称去词汇化和实体掩蔽来缓解这个问题，并提高生成的标语的质量和真实性。此外，我们应用基于第一个词的POS标签的条件训练来生成句法多样的口号。我们的最佳模型获得了ROUGE-1/-2/-L F1评分35.58/18.47/33.32。此外，自动和人工评估表明，我们的方法比强大的LSTM和Transformer seq 2seq基线生成了更多的事实，多样性和吸引人的口号。
2021-09-07 cs.CL
Coherence Models for Dialogue
University of Trento（特伦托大学）
跨多个回合的连贯性是最先进的对话模型的主要挑战。可以说，自动学习文本连贯性的最成功的方法是实体网格，它依赖于跨文本的多个句子的实体分布的建模模式。该模型最初应用于自动摘要和新闻体裁的评估，在其许多扩展中，也已成功地用于评估对话连贯性。然而，原始网格及其扩展都没有对意图进行建模，这是在与对话结构相关的文献中广泛研究的一个关键方面。我们建议增加原来的网格文件表示对话的有意结构。我们的模型在文本区分和插入方面都优于原始网格表示，这是三个不同对话数据集的连贯性评估的两个主要标准任务，证实了意图在建模对话连贯性方面发挥了关键作用。
2018-06-21 cs.CL
Can Generative Pre-trained Transformers (GPT) Pass Assessments in Higher Education Programming Courses?
Carnegie Mellon University（卡内基梅隆大学）
本研究评估GPT在高等教育Python编程课程中的表现，发现其无法通过全部评估但能获取超过55%分数，并能为教师调整评估提供参考。
2023-03-16 cs.AI cs.CL
Transformer-Based Language Models Across Domain Verticals: Architectures, Applications and Critical Assessment
SCOPE, VIT-AP University（VIT-AP大学SCOPE学院）；SCORE, VIT（VIT大学SCORE学院）
本文系统梳理Transformer架构变体（编码器、解码器、长上下文等）及后2023年进展（指令微调、RLHF、MoE等），评估其在医疗、金融等领域的部署，并批判性分析模型选择、参数-能耗权衡及“SOTA”含义。
2026-06-24 cs.CL cs.ET
Idea-Gated Transformers: Enforcing Semantic Coherence via Differentiable Vocabulary Pruning
Darshan Fofadiya（独立研究者）
Idea-Gated Transformers通过可微分词汇修剪机制，实现语义一致性，提升语言模型的领域保留能力与生成可控性。
2025-12-11 cs.AI cs.CL
DS@GT eRisk 2024: Sentence Transformers for Social Media Risk Assessment
Georgia Institute of Technology（佐治亚理工学院）；Peoples' Friendship University of Russia (RUDN University)（俄罗斯人民友谊大学（RUDN大学））；Joint Institute for Nuclear Research（联合核研究所）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Skövde（舍夫德大学）
本文介绍DS@GT团队参与eRisk 2024两项任务的研究：任务1用二分类器构建抑郁症状排序系统表现不佳，任务3用BERT嵌入结合经典模型预测进食障碍严重程度达基线水平，验证了句子Transformers在文本表示中的作用。
2024-07-10 cs.CL cs.IR
Figurative Justice: Detecting metaphors in Hindi judgements with qualitative assessment and transformers
DigiTS, University of Tartu（塔尔图大学 DigiTS）；The West Bengal National University of Juridical Sciences (NUJS)（西孟加拉邦国家司法科学大学）；School of Languages and Linguistics, Jadavpur University（贾达普大学语言与语言学学院）
本研究针对低资源语言印度语，构建了HiLeMe语料库并采用mBERT及Transformer架构，实现了印度语司法判决中的隐喻检测，为低资源语言法律论述的自动化模型发展提供了支撑。
2026-08-25 cs.CL
Know More about Each Other: Evolving Dialogue Strategy via Compound Assessment
Baidu Inc.（百度公司）
在本文中，一个新的生成评估框架的多轮会话的目标，让双方参与者了解对方。为了合理地利用知识和连贯的会话流，控制知识选择的对话策略被实例化，并通过强化学习不断地自适应。根据部署的策略，知识为基础的对话进行了两个对话代理。生成的对话在信息量和连贯性等方面进行了全面评估，这些方面与我们的目标和人类本能相一致。这些评估被整合为一种复合奖励，通过策略梯度指导对话战略的演变。在公开的数据集上进行了全面的实验，结果表明，该方法明显优于其他最先进的方法。
2019-06-03 cs.CL
DNA Language Models: An Assessment of Pre-Training for Fine-Tuning Tasks
CNRS（法国国家科学研究中心）；LORIA（洛林大学）
本研究系统比较了基于Transformer和卷积的DNA语言模型在微调任务上的表现，评估了预训练的实际贡献以及BPE分词对基因组学任务的影响。
2026-06-29 cs.CL q-bio.GN
Coherent Wave Dynamics and Language Generation of a Generative Pre-trained Transformer
Meta Platforms Inc.（元平台公司）
本研究通过分析小型GPT的隐藏状态波动力学，揭示了相干振荡模式与语言生成的关系，并观察到拼写错误分布的相变现象，为理解大型语言模型的涌现能力提供了新视角。
2023-05-08 cs.CL nlin.PS
Towards Diverse, Relevant and Coherent Open-Domain Dialogue Generation via Hybrid Latent Variables
Beijing Institute of Technology（北京理工大学）；Huawei Technologies Ltd.（华为技术有限公司）
条件变分模型，使用连续或离散的潜变量，是强大的开放域对话响应生成。然而，以前的工作表明，连续的潜变量往往会减少生成的响应的一致性。在本文中，我们还发现，离散的潜变量很难捕捉到更多样化的表达。为了解决这些问题，我们结合了连续和离散潜变量的优点，提出了一种混合潜变量（HLV）方法。具体而言，HLV通过离散潜变量约束响应的全局语义，并使用连续潜变量丰富响应。因此，我们在保持相关性和一致性的同时，使所产生的反应多样化。此外，我们提出了条件混合变分Transformer（CHVT）的建设和利用HLV与Transformers的对话生成。通过细粒度的符号级语义信息和加性高斯混合，我们构建了连续变量的分布，促使生成多样化的表达式。同时，通过自分离训练对离散潜变量进行优化，以保持关联性和连贯性。在两个对话生成数据集（DailyDialog和Opensubtitles）上的实验结果表明，CHVT优于传统的基于transformer的变分机制.多样性、相关性和一致性指标。此外，我们还展示了应用HLV微调两个预训练对话模型（PLATO和BART-base）的好处。
2022-12-02 cs.AI cs.CL
Assessment of Transformer-Based Encoder-Decoder Model for Human-Like Summarization
D.J. Sanghvi College of Engineering（D.J. Sanghvi工程学院）；Sardar Patel Institute of Technology（Sardar Patel技术学院）
本文评估基于Transformer的BART编码器-解码器模型在类人摘要中的表现，发现常用指标对事实错误不敏感，并利用WeCheck和SummaC证明人类摘要的事实一致性比微调模型高17%。
2024-10-22 cs.AI cs.CL
When Automated Assessment Meets Automated Content Generation: Examining Text Quality in the Era of GPTs
University of Notre Dame（圣母大学）；Georgia Tech（佐治亚理工学院）；Shenzhen University（深圳大学）
本文构建涵盖评分模型、人类与GPT作文及统计分析的框架，基于18,460篇作文实证发现Transformer PLM给GPT文本评分平均高10–15%，揭示生成式AI对自动评分的影响。
2023-09-25 cs.AI cs.CL
ChatGPT for Suicide Risk Assessment on Social Media: Quantitative Evaluation of Model Performance, Potentials and Limitations
University of Ottawa（渥太华大学）；National Research Council Canada（加拿大国家研究委员会）
该研究提出定量评估框架，基于Reddit自杀倾向数据集，通过零样本、少样本实验及不同temperature参数测试，评估ChatGPT的社交媒体自杀风险评估性能，发现其准确率可观但不及经微调的transformer模型，同时明确了超参数调整对其辅助心理健康工作的提升作用。
2023-06-15 cs.AI cs.CL cs.LG
Training Optimus Prime, M.D.: Generating Medical Certification Items by Fine-Tuning OpenAI's gpt2 Transformer Model
National Board of Medical Examiners（美国国家医学考试委员会）
本文介绍了新的结果的应用程序使用基于transformer的语言模型自动生成项目（AIG），一个领域的认证测试领域的持续兴趣，以及在教育测量和心理测试。OpenAI的gpt 2预训练的345 M参数语言模型使用PubMed文章的公共领域文本挖掘集进行重新训练，随后用于生成项目词干（案例插图）以及多项选择项目的干扰项建议。这个案例研究展示了promise，并生成了可供人工项目编写者用作创作输入的草案文本。使用现有项目库对最近的Transformer模型（如Grover、TransformerXL）进行的未来实验预计将进一步改善结果，并促进评估材料的开发。
2019-08-29 cs.AI cs.CL
