<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>文本摘要 on 办公AI智能小助手</title>
    <link>https://blog.qife122.com/tags/%E6%96%87%E6%9C%AC%E6%91%98%E8%A6%81/</link>
    <description>Recent content in 文本摘要 on 办公AI智能小助手</description>
    <generator>Hugo</generator>
    <language>zh-cn</language>
    <copyright>qife</copyright>
    <lastBuildDate>Wed, 24 Sep 2025 21:08:30 +0800</lastBuildDate>
    <atom:link href="https://blog.qife122.com/tags/%E6%96%87%E6%9C%AC%E6%91%98%E8%A6%81/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>EMNLP 2023自然语言处理技术全景解析</title>
      <link>https://blog.qife122.com/p/emnlp-2023%E8%87%AA%E7%84%B6%E8%AF%AD%E8%A8%80%E5%A4%84%E7%90%86%E6%8A%80%E6%9C%AF%E5%85%A8%E6%99%AF%E8%A7%A3%E6%9E%90/</link>
      <pubDate>Wed, 24 Sep 2025 21:08:30 +0800</pubDate>
      <guid>https://blog.qife122.com/p/emnlp-2023%E8%87%AA%E7%84%B6%E8%AF%AD%E8%A8%80%E5%A4%84%E7%90%86%E6%8A%80%E6%9C%AF%E5%85%A8%E6%99%AF%E8%A7%A3%E6%9E%90/</guid>
      <description>&lt;h1 id=&#34;emnlp-2023技术研究全景&#34;&gt;EMNLP 2023技术研究全景&lt;/h1&gt;&#xA;&lt;p&gt;自然语言理解（NLU）一直是某中心在自然语言处理实证方法会议（EMNLP）上发表论文的核心焦点。在今年的会议上，NLU研究特别关注大语言模型（LLM）的能力挖掘。问答系统仍是活跃的研究方向，而查询重构和文本摘要成为新的重点领域。&lt;/p&gt;</description>
    </item>
    <item>
      <title>自然语言处理现状与未来发展趋势</title>
      <link>https://blog.qife122.com/p/%E8%87%AA%E7%84%B6%E8%AF%AD%E8%A8%80%E5%A4%84%E7%90%86%E7%8E%B0%E7%8A%B6%E4%B8%8E%E6%9C%AA%E6%9D%A5%E5%8F%91%E5%B1%95%E8%B6%8B%E5%8A%BF/</link>
      <pubDate>Sat, 06 Sep 2025 18:16:43 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E8%87%AA%E7%84%B6%E8%AF%AD%E8%A8%80%E5%A4%84%E7%90%86%E7%8E%B0%E7%8A%B6%E4%B8%8E%E6%9C%AA%E6%9D%A5%E5%8F%91%E5%B1%95%E8%B6%8B%E5%8A%BF/</guid>
      <description>&lt;h1 id=&#34;自然语言处理现状与未来发展趋势&#34;&gt;自然语言处理现状与未来发展趋势&lt;/h1&gt;&#xA;&lt;h2 id=&#34;技术发展历程&#34;&gt;技术发展历程&lt;/h2&gt;&#xA;&lt;p&gt;自然语言处理领域经历了从统计方法、机器学习、离散方法到神经网络的重要转变。2014年神经网络在机器翻译等领域取得突破性进展，此后两三年内整个领域发生根本性变革。&lt;/p&gt;</description>
    </item>
    <item>
      <title>多视角政治观点文档摘要技术研究</title>
      <link>https://blog.qife122.com/p/%E5%A4%9A%E8%A7%86%E8%A7%92%E6%94%BF%E6%B2%BB%E8%A7%82%E7%82%B9%E6%96%87%E6%A1%A3%E6%91%98%E8%A6%81%E6%8A%80%E6%9C%AF%E7%A0%94%E7%A9%B6/</link>
      <pubDate>Sat, 06 Sep 2025 09:33:04 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E5%A4%9A%E8%A7%86%E8%A7%92%E6%94%BF%E6%B2%BB%E8%A7%82%E7%82%B9%E6%96%87%E6%A1%A3%E6%91%98%E8%A6%81%E6%8A%80%E6%9C%AF%E7%A0%94%E7%A9%B6/</guid>
      <description>&lt;h1 id=&#34;多视角政治观点文档摘要技术研究&#34;&gt;多视角政治观点文档摘要技术研究&lt;/h1&gt;&#xA;&lt;h2 id=&#34;摘要&#34;&gt;摘要&lt;/h2&gt;&#xA;&lt;p&gt;全球党派敌对和两极分化现象日益加剧，在总统选举期间这种分化尤为明显。能够生成准确反映不同观点摘要的模型，可以通过向用户展示替代视角来帮助减少这种两极分化。本研究引入了一个新颖的数据集和任务，用于独立总结来自观点性新闻文章段落集合中的每个政治观点。&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
