Yelp餐评上，TF-IDF词/二元组配逻辑回归达64%验证准确率，测试集准确率54%、RMSE 0.92。
Nabiha Asghar
提出“故事闭合测试”评估框架，基于ROCStories语料库，强调因果关系理解，模型表现不足。
Nasrin Mostafazadeh, Nathanael Chambers, Xiaodong He 等
提出基于双向LSTM-CRF和转移模型的命名实体识别架构，无需语言特定资源。
Guillaume Lample, Miguel Ballesteros, Sandeep Subramanian 等
使用序列到序列RNN进行抽象文本摘要，提升了两个语料库的性能。
Ramesh Nallapati, Bowen Zhou, Cicero Nogueira dos santos 等
提出multiCluster和multiCCA方法，训练59语种多语言词向量，利用字典和单语数据，无需平行语料。
Waleed Ammar, George Mulcaire, Yulia Tsvetkov 等
提出最小风险训练（MRT）用于端到端神经机器翻译，显著优于最大似然估计，提升BLEU达8.61分。
Shiqi Shen, Yong Cheng, Zhongjun He 等
提出一种基于PPDB的通用释义句子嵌入方法，简单模型在跨领域任务中表现优异。
John Wieting, Mohit Bansal, Kevin Gimpel 等
提出基于字节对编码的子词单元神经机器翻译，提升稀有词翻译效果。
Rico Sennrich, Barry Haddow, Alexandra Birch
基于字符卷积和高速公路网络的神经语言模型，参数减少60%，在多语种表现优异。
Yoon Kim, Yacine Jernite, David Sontag 等
提出全局和局部注意力机制，提升英德翻译5.0 BLEU分。
Minh-Thang Luong, Hieu Pham, Christopher D. Manning
Guu等以组合训练改造TransE和双线性模型，路径查询误差最高降低76.2%。
Kelvin Guu, John Miller, Percy Liang
引入基于自然语言描述的3D场景生成方法，结合深度学习与规则模型，显著提升场景生成的准确性和多样性。
Angel Chang, Will Monroe, Manolis Savva 等
提出基于多层LSTM的端到端序列到序列学习方法，在英法翻译中BLEU达34.8，优于传统统计模型。
Ilya Sutskever, Oriol Vinyals, Quoc V. Le
提出结合软对齐的神经机器翻译模型，有效缓解长句信息瓶颈。
Dzmitry Bahdanau, Kyunghyun Cho, Yoshua Bengio
提出SimLex-999，专注于真实语义相似性评估，超越WordSim-353和MEN，涵盖多类词性和抽象/具体概念。
Felix Hill, Roi Reichart, Anna Korhonen
双空间模型以领域与功能相似度统一类比和组合任务，但所给文本未提供实验数值。
Peter D. Turney
提出线性短语结构模型，提升金融文本语义方向检测准确性。
Pekka Malo, Ankur Sinha, Pyry Takala 等
提出两种高效学习词向量的模型架构，能在1天内处理16亿词数据，显著提升语义与句法相似度表现。
Tomas Mikolov, Kai Chen, Greg Corrado 等
提出联合语言与感知模型，利用概率语法和属性分类实现 grounded 属性学习，显著提升场景理解能力。
Cynthia Matuszek, Nicholas FitzGerald, Luke Zettlemoyer 等