本研究探讨了一种使用不同的聚合策略将单词向量之间的关系表示为向量的方法，并使用聚类模型来分析它们的正确匹配性。实验结果表明，减法聚合策略配合基于中心点的聚类机制在性能上表现更好，该研究旨在为基于词嵌入的无监督方法提供一个识别成对词汇之间关系的方向。

May, 2023

本文介绍了三种词汇蕴含的识别方法，并比较了它们的性能。与其他方法相比，新方法（相似性差异）在某些数据集上表现显著更好，说明词汇蕴含研究和语义关系分类研究之间建立联系是有益的。

Jan, 2014

通过提取语料库中词汇的共现模式来实现无监督学习，学习不仅代表个体单词的表示，还明确捕捉代表单词间语义关联的词向量表示，并通过联合权重和二元分类器来描述单词间的语义关系，取得了普遍类比检测三个基准数据集中的显著性优势。

May, 2015

该论文提出了一种新的向量表示方法，将词汇对比整合到分布式向量中，并加强了确定词语相似度度量的最显著特征。改进后的向量模型明显优于标准模型，并且可以跨词类（形容词，名词，动词）将反义词从同义词中区分开来。此外，该论文还将词汇对比向量整合到跳字模型的目标函数中，改进后的嵌入能够超越现有最先进的模型，在预测 SimLex-999 中的词语相似度和区分反义词和同义词方面表现优异。

May, 2016

本文提出基于语境化词向量范数的语义差异发现方法，他们不需要先前方法中对单词和语料库进行比较的假设，对于语料库大小的偏斜鲁棒，能够检测不频繁出现的单词的语义差异，有效地找出在两个语料库之一缺失含义的单词实例。

May, 2023

提出通过对比学习策略来改进概念嵌入的语义表示方法，使用全新的 contextualized vectors 代替传统平均表示方法，可优化概念嵌入中的语义属性，使得使用该方法后的概念嵌入能在预测语义属性上显著突出于传统概念嵌入方法，尤其是使用 ConceptNet 的方法的效果最佳。

May, 2023

该研究提出了一种理论方法，将词嵌入和知识图谱中的实体及其关系的几何形状联系起来，以便更好地理解它们的语义结构和性能。

Feb, 2022

本研究旨在探讨如何从预训练的语言模型中提取出表示两个词之间关系的向量，并通过 Fine-tuning 使类似关系的词对应的向量相似，实验结果表明，即使在没有任务特定的 Fine-tuning 的情况下，所得到的关系嵌入在类比和关系分类基准测试中都具有很高的竞争力。

Sep, 2021

该论文提出了一种新的后处理方法 LEAR（词汇蕴涵吸引 - 排斥），将任何输入的词向量空间转换为重视词汇蕴涵关系（LE）的不对称关系，通过将外部语言约束（例如 WordNet 链接）注入到初始向量空间中，LE 特化过程将真正的下位词 - 上位词对在转换后的欧几里得空间中靠近。同时，联合目标使用对称余弦距离来强制实施语义相似性，从而使向量空间同时专门用于词汇关系。LEAR 专业化模型在上位词方向性，上位词检测和分级词汇蕴涵任务中实现了最先进的性能，证明了所提出的不对称专业化模型的有效性和鲁棒性。

Oct, 2017

研究发现，使用向量算术操作可以解决单词类比问题，本文提供了 skip-gram 模型中算术运算符对应的非线性嵌入模型的正式解释，证明了线性子结构存在于向量空间中，通过从技术上的角度证明了降低高频词权重的有效性以及欧氏距离在捕捉单词不相似性问题上的信息论解释。

Oct, 2018