提出一种将词向量转换成稀疏（可选二进制）向量的方法，使得词向量更接近于自然语言处理中常用的可解释特征，但这些特征是从原始语料库中自动发现的，并且在基准任务上优于原始向量。

Jun, 2015

本文提出使用稀疏单词表示来压缩神经语言模型的参数量，以减少计算资源需求并提高性能表现。

Oct, 2016

该研究论文探讨了一种基于树形结构稀疏正则化规范的稀疏编码方法，提出了一种有效算法用于其优化，并通过图像、文本等实验结果展示了其在字典学习、噪声去除、主题学习等方面的应用潜力。

Sep, 2010

提出了两种新的单词向量表示模型，通过神经网络计算大型数据集中单词的连续向量表示，相较于其他神经网络技术在词语相似度任务上提高了准确性且计算效率更高，此外还展示了这些向量在测量语法和语义相似度的测试集上有最先进的性能表现。

Jan, 2013

该论文提出使用分层狄利克雷过程学习每个单词的多个主题敏感表示的两种方法，通过模拟主题并集成每个文档的主题分布，可以得到能够区分给定单词不同含义的表示。该模型在词汇替换任务中表现出统计学显著的改进，表明常用的单词表示即使与上下文信息结合使用，也不足以完成该任务。

May, 2017

本文提出了 BHWR 算法，该算法通过引入层级先验实现变分贝叶斯单词表示学习和语义分类建模以及从相关单词之间传播相关信息，以提高其表示质量，同时在多个语言数据集上进行评估，表明 BHWR 相对于基于或不基于语义先验的适当替代方法具有优势，并且 BHWR 可以为罕见词提供更好的表示。

Apr, 2020

该研究是关于使用基于计数的模型来提取文本的语义表征，使用 Hellinger 距离用于处理大型语料库中的单词共现统计数据，并获得了很好的性能表现。

Dec, 2014

本文提出一种方法学习语言的词汇，并使用图嵌入技术和跨语言向量空间映射方法结合本体源和语料库来提高现有词向量的覆盖范围以及加强其词汇知识。所提出的方法在 Rare Word Similarity dataset 上表现出 10% 的性能提升。

Jul, 2017

利用高级别表示数据来帮助无监督学习任务的稀疏编码算法，通过 L1 正则化凸优化算法从无标签类别的高级别表示数据中推导出的优化解，以此描述使用稀疏编码的深度学习算法。

Apr, 2014

本文提出了一个用于结构化稀疏编码和建模的综合框架，扩展了使用可学习的快速回归器来逼近精确稀疏编码的最近思想，并演示了一个有效的前馈体系结构来近似精确结构化稀疏编码与标准优化方法相比，此体系结构的复杂性仅为一小部分，并且可以应用于大规模实时应用，因此该框架适用于大规模应用的实时情况。

Jun, 2012