提出多源形态重塑模型，基于多编码器-解码器架构，在8语种上超越单源模型，提升性能。
Katharina Kann, Ryan Cotterell, Hinrich Schütze
提出连续缓存模型，利用隐藏激活实现高效动态记忆，显著提升神经语言模型性能。
Edouard Grave, Armand Joulin, Nicolas Usunier
NewsQA采用四阶段数据采集，包含超10万问答对，强调推理能力，显著超越简单匹配。
Adam Trischler, Tong Wang, Xingdi Yuan 等
提出SummaRuNNer，基于双向GRU的序列模型，提升文档提取摘要性能。
Ramesh Nallapati, Feifei Zhai, Bowen Zhou
使用神经噪声信道模型提升序列转序列任务性能，特别是在无配对数据上。
Lei Yu, Phil Blunsom, Chris Dyer 等
提出双向注意流（BIDAF）模型，利用多层次层级结构和双向注意机制，显著提升机器阅读理解性能。
Minjoon Seo, Aniruddha Kembhavi, Ali Farhadi 等
LSTM在语法敏感依赖学习中的表现，通过数预测和语言模型实验评估。
Tal Linzen, Emmanuel Dupoux, Yoav Goldberg
采用深层LSTM、注意力机制和子词单元的GNMT系统，实现了在WMT'14英法、英德任务中的优异表现。
Yonghui Wu, Mike Schuster, Zhifeng Chen 等
提出基于注意力机制的联合意图检测与槽填充模型，在ATIS任务中实现最优性能。
Bing Liu, Ian Lane
提出焦点机制的编码器-解码器模型，基于BLSTM-LSTM，显著提升语音理解中的序列标注性能。
Su Zhu, Kai Yu
提出一种基于几何特征的偏差消除算法，有效减弱Google News词向量中的性别偏见，保持语义关系。
Tolga Bolukbasi, Kai-Wei Chang, James Zou 等
提出基于字符n-gram的词向量模型，有效捕获词形信息，提升多语种词义和语法任务表现。
Piotr Bojanowski, Edouard Grave, Armand Joulin 等
提出fastText，基于词袋模型和层次softmax，训练速度达十分钟内，性能媲美深度模型。
Armand Joulin, Edouard Grave, Piotr Bojanowski 等
提出序列级知识蒸馏方法，显著提升NMT模型压缩效率，最佳模型速度提升10倍，BLEU仅降0.4。
Yoon Kim, Alexander M. Rush
利用平行语料估算21种语言的词熵，揭示稳定收敛点，助力跨语言比较。
Christian Bentz, Dimitrios Alikaniotis
提出LAMBADA数据集，评估模型对广泛语篇理解的能力，现有模型准确率不足1%。
Denis Paperno, Germán Kruszewski, Angeliki Lazaridou 等
提出SQuAD数据集，包含10万+问答对，利用依存和句法树分析，模型F1达51%，人类86.8%。
Pranav Rajpurkar, Jian Zhang, Konstantin Lopyrev 等
引入基于束搜索优化的seq2seq模型，解决局部训练偏差，提升在词序、解析和翻译任务中的性能。
Sam Wiseman, Alexander M. Rush
通过分析CNN/Daily Mail阅读理解任务，发现简单模型已接近性能上限，数据存在噪声。
Danqi Chen, Jason Bolton, Christopher D. Manning
通过SHRDLURN游戏的互动学习语言，模型准确率提高8%。
Sida I. Wang, Percy Liang, Christopher D. Manning