利用经验分配法对句子进行组合意义建模一直是计算语言学家面临的挑战。我们利用 BNC 数据实现了 Coecke 等人的抽象范畴模型，并进行了评估。实现基于无监督学习的关系词矩阵，应用于其参数的向量。我们的模型在失歧任务上拥有比竞争对手更优异的表现，而随着句法复杂度的增加，结果的普遍改善展示了我们模型的组合能力。

Jun, 2011

提出了一种在脉冲神经网络结构中实现复合分布语义、解决概念绑定问题的方法，利用标记图像进行词向量训练。

Jan, 2024

本文讨论了如何使用矩阵和张量来模拟谓词逻辑，并提出可以模拟量词的张量演算变体，最后讨论了这些变体之间的关系与未来研究的方向。

Apr, 2013

本文研究了表示及物动词语义的三阶张量的学习，使用了基于张量的语义框架，并使用神经网络的标准技术学习张量，并在简单的二维句子空间上进行了选择偏好式任务的测试，并与竞争性基于语料库的基线进行比较，结果有希望，扩展这项工作超越及物动词，并针对更高维的句子空间，是机器学习社区需要考虑的有趣和具有挑战性的问题。

Dec, 2013

通过基于多语种数据和联合嵌入的分布式假设扩展学习语义表示的新技术，学习出在跨语言上语义等价的句子之间高度对齐而在不相似的句子之间保持足够距离的表示。此方法不仅适用于单词层面，还可以对文档进行语义层面的表示学习。在两个跨语言文档分类任务上，我们的模型都能胜过之前的最佳成果，并通过定性分析和枢轴效应研究证明了我们学习到的语义表示合理且能够捕捉跨语言语义关系。

Apr, 2014

本文研究了分布语义学中的组合性问题，使用 Coek，Sadrzadeh 和 Clark 提出的范畴理论框架，将语法分析形式主义与分布语义表示法相结合，生成具体的组合式分布式模型，并展示它们在自然语言处理领域的有效性。研究的贡献包括将 DisCoCat 框架拓展到在句法和语义上，验证模型的优势以及提出了在本主题上应用范畴论的未来研究方向。

Nov, 2013

本文提出一种新的基于概率框架、结合形式语义和机器学习的方法，通过将谓词与其所指实体分开，利用贝叶斯推断来对逻辑形式进行推理，在使用受限玻尔兹曼机和前馈神经网络的组合实现这一框架之后，最终证明了该方法的可行性。

Jun, 2016

本文介绍了一个基于向量组合方法和 DCS 的形式语义模型。实验证明该模型在短语相似性和关系分类方面达到了近乎最新成果的能力，并在句子完成任务方面报告了一个新的最新成果。

Jun, 2016

该文章提出了一种基于数据分布的组合建模通用框架，证明了针对具有词汇表和组合函数的任何可分解任务都存在一族数据转换函数，可在训练数据上产生新的、格式正确的例子，进而说明即使在未知组合函数的情况下 (例如无法编写或推断符号语法), 也可以识别这些数据转换并对普通 RNN 和转换器序列模型进行数据增强，在 CLEVR-CoGenT 视觉问答数据集上获得了最先进的结果，在 COGS 语义分析数据集上获得了与专用模型架构相当的结果。

Jan, 2022

该论文提供了一种改进基于张量合成的分布式语义模型的方法，通过在组合之前增加显式消歧步骤。我们使用线性回归训练的强大模型，展示了与以往简单模型相比更先进的先前消歧方法，并表明该方法的有效性与模型无关。

Aug, 2014