提出了一种全新的多语言词向量空间的无监督学习框架，该框架可以直接捕捉不同语言之间的交互关系，从而显著提高多语种单词转换和跨语种单词相似度的效果，并且比使用跨语种资源的监督式方法表现更好。

Aug, 2018

提出了一种在多语种情况下学习分布式表征的方法，该方法将分配相似的嵌入对齐句子，并分配不对齐的句子不相似的嵌入，模型学习到的表征具有语义信息，能够应用于跨语种文档分类任务，且未使用并行数据学习到能够跨语种捕捉语义关系的表征。

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

BilBOWA 是一种简单、高效的双语词袋模型，可以在大型单语数据集上进行规模化学习，并且不需要单词对齐的平行训练数据，通过使用一种新颖的跨语言词袋采样方法实现双语信号的提取，使用噪声对比性语言模型进行规范化处理，学习到的双语嵌入能够在跨语言文档分类任务和 WMT11 数据的词汇翻译任务上优于现有的方法。

Oct, 2014

使用高覆盖率的字典和 EM 式训练算法，该方法解决了以前的跨语言词嵌入方法中的资源需求大、难以融合单语言数据或难以处理多义词等问题，在双语词汇表归纳任务中实现了表现卓越的结果，并且在单语词汇相似度和跨语言文档分类任务上也取得了有竞争力的结果。

Jun, 2016

本文讨论了 Bilingual Word Embeddings（BWEs）的 build 方法，并提出了两种有效的 unsupervised 方法：使用相同的单词作为种子词典和使用 Romanized 单词匹配。实验结果表明这些方法在远程语言对上工作良好，并且与使用高质量词典的监督方法有竞争力。在构建 BWEs 时，这些训练信号不应被忽略，即使对于远程语言也是如此。

May, 2022

本文提出了一种无监督的方法来学习一对语言的双语词典，并利用单语向量空间中的局部和全局结构将它们对齐，从而使相似的单词映射到一起，实验表明，使用提出的无监督方法学习的双语对应词性能与使用监督学习的双语对应词从种子词典中学习的相当。

Dec, 2017

提出了一种新的构建双语词向量嵌入的方法，该方法利用高资源源语言的向量空间作为训练低资源目标语言嵌入空间的起点，并通过使用源向量作为锚点，在训练过程中自动对齐向量空间，结果表明该方法不仅提高了双语词向量的质量和双语词汇词典归纳的性能，而且提高了目标语言的单语词相似性。

Oct, 2020

本文通过无监督的方式对单语词嵌入空间进行对齐，构建两种语言之间的双语词典，旨在为全自动的机器翻译提供潜在影响。实验表明该方法在英语 - 俄语和英语 - 中文等语言对中效果很好，且无需使用字符信息。

Oct, 2017

本文提出了一种概率模型，同时学习对双语数据的对齐和分布式表示。通过在单词对齐上进行边缘化，该模型捕获比先前依赖于硬对齐的方法更大的语义上下文。该方法的优势在跨语言分类任务中得到了证明，我们超越了先前已发布的最新技术水平。

May, 2014