期刊&会议
Conference on Empirical Methods in Natural Language Processing · 会议 · Natural Language Processing
多模态Transformer上的自适应对比学习用于评论有用性预测
机构 * National University of Singapore（国立新加坡大学） ； VinAI Research（VinAI研究院） ； Nanyang Technological University（南洋理工大学） ； DAMO Academy（达摩院）
AI总结 本文提出多模态对比学习方法，通过增强跨模态关系和自适应加权方案提升多模态评论有用性预测性能，实验证明优于现有方法。
Comments Accepted to the main EMNLP 2022 conference. Code is available at https://github.com/nguyentthong/adaptive_contrastive_mrhp
增强与控制全局语义以文本摘要
机构 * VinAI Research（VinAI研究院） ； Nanyang Technological University（南洋理工大学） ； Ho Chi Minh City University of Technology（胡志明市技术大学） ； National University Ho Chi Minh City（胡志明市国家大学）
AI总结 本文提出通过引入带有归一化流的神经主题模型来捕捉文档全局语义，以解决摘要模型中短程依赖问题，从而提升摘要质量。
Comments Accepted to the main EMNLP 2021 conference. Code is available at https://github.com/nguyentthong/topicflow-sum
通过背景区 anthology 为语言模型构建虚拟人物
机构 * University of California, Berkeley（加州大学伯克利分校） ； Google LLC（谷歌公司）
AI总结 本文提出 anthology 方法，利用开放性生活叙述引导语言模型生成特定虚拟人物，提升实验结果的一致性和可靠性，通过三个人类调查发现其在匹配响应分布和一致性指标上分别提升18%和27%。
Comments EMNLP 2024 Main
AgentReview: 探索基于LLM代理的同行评审动态
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Science and Technology of China（中国科学技术大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； William & Mary（威廉与玛丽学院）
AI总结 本文提出AgentReview框架，通过LLM模拟同行评审过程，揭示评审者偏见导致论文决策37.1%的变异，结合社会学理论提升评审机制设计。
Comments Accepted at EMNLP 2024 Main Track (Oral). https://agentreview.github.io/
评估论证大语言模型中的不确定性量化方法
机构 * Imperial College London（帝国理工学院伦敦分校） ； King’s College London（伦敦国王学院）
AI总结 本文评估了在论证大语言模型中不同不确定性量化方法在声明验证任务中的性能，发现直接提示法效果优于复杂方法。
Comments Accepted at EMNLP Findings 2025
Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025, 21700-21711. 2025
LLMs生成通俗艺术
机构 * Saarland University（萨尔兰大学） ； DFKI ； University of Bamberg（巴明根大学）
AI总结 本文探讨LLM生成的作品普遍存在通俗艺术倾向，通过实验证明读者认为LLM生成的故事更具有通俗艺术特征，并讨论未来研究和创作任务的设计影响。
Comments submitted to EMNLP 26
当标注者意见不一致时，拓扑解释：Mapper，一种用于探索文本嵌入几何和模糊性的拓扑工具
机构 * CReSTIC, Université de Reims Champagne-Ardenne（里摩日大学CReSTIC研究所） ； Chochoy Conseil（Chochoy咨询公司）
AI总结 本文提出用拓扑方法分析模型如何编码模糊性，通过Mapper工具揭示微调后嵌入空间的模块化结构，并探讨结构自信与标签不确定性的矛盾。
Comments Accepted to appear in the Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (EMNLP 2025, Main Conference)
Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing, pages 8457--8480, Suzhou, China. Association for Computational Linguistics
学习提问：当LLM代理遇见模糊指令
机构 * Renmin University of China（中国人民大学） ； The Chinese University of Hong Kong（香港中文大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学深圳校区） ； Johns Hopkins University（约翰霍普金斯大学） ； Xiaohongshu Inc.（小红书公司）
AI总结 本文提出AwN框架，通过让LLM在遇到模糊指令时主动提问以提升工具使用性能，并设计自动化评估工具ToolEvaluator，验证了在NoisyToolBench基准下的优越性。
Comments EMNLP 2025
评分轮盘：LLM作为裁判框架中的自不一致
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
AI总结 研究揭示LLM作为裁判框架在不同运行中评分不一致的问题，探讨通过规范指南提升其评估效果的可行性。
Comments Accepted at EMNLP 2025
无条件真实性：学习大语言模型的无条件不确定性
机构 * MBZUAI ； Skoltech（斯克利切夫斯基因工大学） ； AIRI ； ETH Zürich（苏黎世联邦理工学院） ； The University of Melbourne（墨尔本大学） ； FRC CSC RAS（俄罗斯科学院计算技术研究所）
AI总结 本文提出通过学习注意力特征来解决大语言模型生成过程中不确定性评分的难题，通过两阶段训练方法提升了选择性生成的效果，优于其他无监督和监督方法。
Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing
V-SEAM：视觉语义编辑与注意力调节用于视觉-语言模型的因果可解释性
机构 * Tongji University（同济大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出V-SEAM框架，结合视觉语义编辑和注意力调节，提升视觉-语言模型的因果可解释性，通过多级语义分析增强模型性能。
Comments EMNLP 2025 Main
QEVA：一种基于多模态问答的无参考视频文本摘要评估指标
机构 * Department of Artificial Intelligence, Chung-Ang University（Chung-Ang大学人工智能系）
AI总结 本文提出QEVA，一种无参考视频摘要评估指标，通过多模态问答直接评估候选摘要与源视频，从覆盖性、事实性和时间顺序三个维度进行评估，引入MLVU(VS)-Eval基准数据集，实验表明QEVA与人类判断的关联性更高。
Comments Accepted to Findings of EMNLP 2025
面向大音频-语言模型的全面评估：一项全面的调查
机构 * National Taiwan University（台湾大学） ； NTU Artificial Intelligence Center of Research Excellence (NTU AI-CoRE)（国立清华大学人工智能研究中心（NTU AI-CoRE））
AI总结 本文针对大音频-语言模型的评估进行全面调查，提出系统化的分类体系，从四个维度探讨其性能，揭示挑战与未来方向，为领域提供指导。
Comments EMNLP 2025 (Main). Project Website: https://github.com/ckyang1124/LALM-Evaluation-Survey
TSVer：一个针对时间序列证据的事实验证基准
机构 * Department of Computer Science and Technology（计算机科学与技术系）
AI总结 本文提出TSVer基准，通过时间序列证据进行事实验证，包含304个真实声明和400个时间序列数据，采用LLM辅助标注提升质量，展示先进模型在时间序列推理上的挑战。
Comments Published at EMNLP 2025. v2 includes a revised version of the dataset
通过概念描述解读语言模型：一项调查
机构 * BIFOLD – Berlin Institute for the Foundations of Learning and Data（柏林学习与数据基础研究所） ； Technische Universität Berlin（柏林技术大学）
AI总结 本文调查了通过生成自然语言概念描述来解读模型组件和抽象的方法，揭示了生成这些描述的关键方法、评估指标及数据集，并指出对更严谨因果评估的需求。
Comments Accepted at The Eight Workshop on Analyzing and Interpreting Neural Networks for NLP (BlackboxNLP), co-located with EMNLP 2025
PRINCIPLES：面向前瞻性对话代理的合成策略记忆
机构 * Department of Artificial Intelligence, Yonsei University（燕山大学人工智能学院）
AI总结 本文提出PRINCIPLES，一种基于离线自play模拟的合成策略记忆，用于提升前瞻性对话代理的策略规划能力，无需额外训练和数据标注，在情感支持和说服领域均表现出色。
Comments Accepted to EMNLP 2025 Findings
Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025, pages 21329-21368
通过关键信息的分步注意力混合层蒸馏提升小模型的推理能力
机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院）
AI总结 本文提出一种基于分步注意力的混合层蒸馏方法，通过引导学生模型逐步聚焦关键信息，提升小模型的推理能力，并在多个数学和常识推理数据集上取得一致性能提升。
Comments Accepted at EMNLP 2025
帮助！需要关于如何识别建议的建议
机构 * Department of Linguistics, The University of Texas at Austin（德克萨斯大学奥斯汀分校语言学系） ； Amazon Inc.（亚马逊公司） ； McGill University（麦吉尔大学）
AI总结 本文提出一个包含两个Reddit论坛的英文数据集，用于识别帖子中是否包含建议，分析发现建议 discourse 中存在丰富的语言现象，初步模型显示预训练语言模型在识别建议方面优于基于规则的系统，但识别仍具挑战性。
Comments EMNLP 2020
Journal ref Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP)
多文档融合：一种用于长工业文档增强RAG的分块流程
机构 * Human-inspired AI Research（人机协同人工智能研究所） ； Department of Computer Science and Engineering（计算机科学与工程系） ； School of Software（软件学院）
AI总结 针对长工业文档结构复杂的问题，提出MultiDocFusion分块流程，结合视觉解析、OCR提取、层次结构重建和DFS分组，提升RAG检索精度和问答质量。
Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing
基于检索增强生成在奥林匹克级物理问题求解中的基础模型评估
机构 * AAII, University of Technology Sydney, New South Wales, Australia（AAII，悉尼大学，新南威尔士州，澳大利亚） ； Eindhoven University of Technology, Eindhoven, The Netherlands（埃因霍温理工大学，埃因霍温，荷兰） ； University of Liverpool, Liverpool, United Kingdom（利物浦大学，利物浦，英国） ； University of New South Wales, New South Wales, Australia（新南威尔士大学，新南威尔士州，澳大利亚）
AI总结 本文通过PhoPile多模态数据集评估检索增强生成在奥林匹克级物理问题求解中的表现，探讨了基础模型结合检索与物理语料对性能提升的影响及存在的挑战。
Comments Accepted to EMNLP 2025 (Findings)
E2LLM：用于长上下文理解与推理的编码器扩展大语言模型
机构 * East China Normal University（东华师范大学） ； Ant Group（蚂蚁集团）
AI总结 本文提出E2LLM，通过分块压缩和适配器对齐，解决长上下文处理中的性能、效率与兼容性难题，在文档摘要和问答任务中优于现有方法。
Comments Accept by EMNLP'25
KCS: 通过知识组合采样多样化多跳问题生成
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； MemTensor (Shanghai) Technology Co., Ltd.（MemTensor（上海）科技有限公司） ； National Key Laboratory of Smart Farm Technologies and Systems（智慧农场技术与系统全国重点实验室）
AI总结 本文提出KCS框架，通过采样不同知识组合提升多跳问题生成的多样性，改进知识组合选择的准确率，并在HotpotQA和2WikiMultihopQA数据集上提升数据增强效果。
Comments Accept by EMNLP 2025
单文档支配：面向检索增强生成系统的知识污染攻击
机构 * State Key Laboratory of Intelligent Game（智能游戏国家重点实验室） ； Science and Technology on Integrated Information System Laboratory, Institute of Software Chinese Academy of Sciences（中国科学院软件研究所综合信息系统技术国家级重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出AuthChain攻击方法，通过单文档污染实现对检索增强生成系统更有效的知识污染攻击，提升攻击成功率并保持隐蔽性。
Comments 15pages, 4 figures; accepted by EMNLP 2025 Findings
低置信度黄金：用于高效指令微调的低置信度样本精炼
机构 * Universiti Malaya（马来亚大学） ； University of Science and Technology Beijing（北京科技大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 本文提出LCG框架，通过聚类和置信度引导选择精炼低置信度样本，提升指令微调效率与性能，实验显示在MT-bench等指标上表现更优。
Comments Accepted to EMNLP Findings 2025
超越线性操控：语言模型的统一多属性控制
机构 * Martian ； University of Oxford（牛津大学） ； Thoughtworks
AI总结 本文提出K-Steering方法，通过训练非线性多标签分类器实现语言模型的多属性控制，避免线性假设，无需存储和调整个别属性向量，支持动态行为组合。
Comments Accepted to Findings of EMNLP, 2025
SciNLP：一个领域特定的基准，用于自然语言处理中的全文科学实体和关系提取
机构 * Nanjing University of Science and Technology（南京理工大学） ； Soochow University（苏州大学）
AI总结 SciNLP是一个专门用于自然语言处理领域全文科学实体和关系提取的基准数据集，包含60篇人工标注的全文NLP论文，涵盖6,409个实体和1,648个关系，通过对比实验验证了其在不同长度学术文本上的提取能力，实现了细粒度知识图谱的自动构建。
Comments EMNLP 2025 Main
情感分析中被忽视的重复延长形式
机构 * Temple University（天普大学）
AI总结 本文探讨了重复延长形式（RLF）在情感分析中的重要性及语言模型的理解能力，构建了首个多领域RLF数据集并提出ExpInstruct框架，验证了RLF在文档级情感分析中的潜力。
Comments Findings of EMNLP 2024
Journal ref EMNLP 2024
在合适水平上发言：基于RAG-RL的识字率控制反驳生成
机构 * University of North Texas（北德克萨斯大学） ； Peking University（北京大学）
AI总结 本文提出基于RAG-RL的识字率控制框架，生成适应不同健康识字水平的定制化反驳内容，提升信息可及性和有效性。
Comments Accepted at Findings of EMNLP 2025
Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025
一致危机响应的动态融合模型
机构 * University of North Texas（北德克萨斯大学） ； University of Arizona（亚利桑那大学） ； University of Maryland（马里兰大学）
AI总结 本文提出动态融合模型，通过评估和整合生成响应的风格，提升危机沟通中响应的一致性和质量。
Comments Accepted at Findings of EMNLP 2025
Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025
生成语言模型中的优雅遗忘
机构 * Hong Kong University of Science and Technology（香港科技大学）
AI总结 本文提出Learning With Forgetting框架，通过Fisher信息矩阵评估并周期性删除无关知识，提升生成语言模型的微调性能。
Comments 8 pages, 6 figures. EMNLP 2025
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈