本研究提出一种大规模系统，将科学出版物组织成层次化概念结构，建立了包含超过 20 万个概念和 100 万以上关系的跨领域科学概念本体论。

May, 2018

本篇研究主要探讨如何利用概念地图来对大型文档集合进行多文档摘要，并提出了通过众包方法创建包含概念地图的语料库，以便评估与进一步研究。

Apr, 2017

通过增强的表示学习和细粒度实例关系的对比损失，以及关注内在标签分类法的细粒度层次分类损失，我们提出了一种新颖的框架来解决层次化查询分类的挑战，同时利用与已标注查询共享的无标签查询的相似性智能地选择这些查询以提高分类性能。实验证明，我们的方法优于专有的 Amazon 数据集上的最先进方法，并与 Web of Science 和 RCV1-V2 的公共数据集中的最先进方法相媲美，这些结果凸显了我们提出解决方案的有效性，并为下一代层次感知查询分类系统铺平了道路。

Mar, 2024

本文提出了层次扩展框架 (HEF)，旨在更好地利用分类法的分层结构进行分层扩展。HEF 在多个方面利用分类法的分层结构，利用亲属关系检测和几个树独特功能来评估其子树的连贯性，并引入适合度评分来选择最优位置，将信息交换用于消歧和自我纠正。该模型在三个基准数据集上的实验表明，通过更好地利用层次结构和优化分类法的连贯性，HEF 在准确性和平均倒数排名方面平均提高了 46.7% 和 32.3% 的精度，远远超过了之前的最佳水平。

Jan, 2021

提出了一种从企业年报内容中自动构建商业分类法的新方法，使用贪心亲和力进行概念层次聚类，结果表明这可以在新兴市场上理解和投资新的增长公司提供有效工具。

Jun, 2019

本文介绍我们使用的方法，通过采访农业食品系统的利益相关者手动构建本体论，以适应两种互补系统分析模型（即 “Godet” 和 “MyChoice” 模型）的需求。

Jan, 2023

为了支持初学者研究人员进行研究调查，本研究旨在建立一种具有层次结构的树状知识图，反映研究主题的继承洞察和学术论文之间的相关洞察。

Feb, 2024

该研究提出了一种基于 FCA 的新方法，通过对文本语料库中的上下文信息进行建模和分析，以自动获取层次结构的概念分类。在旅游和金融领域应用比手工分类更有效。

Sep, 2011

通过查询大型语言模型，我们提出了一种用于自动构建给定领域概念层级的方法，我们使用 OpenAI 的 GPT 3.5 将该方法应用于不同领域，实验证明 LLM 在构建概念层级方面具有相当的帮助。

Sep, 2023

本文从数据、模型、学习三个维度，全面回顾了 13 年来 AI 社区在众包学习领域的进展，着重提出了每个维度的一些有前途的蓝图，并探讨了过去研究的经验教训，旨在为新研究者提供指引，鼓励他们做出新的贡献。

Jun, 2022