本文提出一种关注于关系的聚类方法，使用已标注的关系数据训练模型，使聚类结果更符合关系的语义类别，旨在提高开放关系提取的准确性和效率。

Sep, 2021

本论文提出了一种创新性的解决方案，通过以软聚类 (Soft Clustering) 作为硬聚类 (Hard Clustering) 分布的形式来扩展比较度量，以适应 SC 算法结果中的不确定性。经过深入研究和实验证明此方法的可行性。

Jun, 2022

本文研究了分布相似度量的应用，以提高对未见共现情况的概率估计。我们的研究贡献有三个：通过广泛的比较实现了相似度量的分类，通过信息融合确定相似函数类型，介绍一种优秀的函数进行潜在代理分布的量化评估。

Jan, 2000

本文介绍了一种使用分布式内核来表示轨迹和测量其相似度的简单而强大的方法，该方法解决了轨迹测量的两个主要不足之处，并在异常检测，子轨迹异常检测和轨迹模式挖掘等任务中表现出卓越的性能。

Jan, 2023

我们提出了一种基于压缩的聚类方法，使用基于长度压缩数据文件的普适相似性距离（NCD）来构建层级聚类，可以成功地应用于基因组学，病毒学，语言学，文学，音乐，手写数字，天文学以及完全不同域的对象长度压缩数据文件，并且在不同的压缩方式下具有普遍性和强韧性。

Dec, 2003

本文提出了一种名称为 CDS 的新的聚类方法，其使用学习出的判别式相似度对数据集进行无监督聚类，并通过 Rademacher 复杂度对其进行了一般化分析。同时，使用核密度分类的积分平方误差界也可以导出所得到的判别相似度。在使用核函数作为相似度函数的情况下，使用 CDS 聚类方法的有效性已通过实验结果得到证明。

Sep, 2021

提出了一种新的聚类方法，可以直接发现数据中的分组，不同于大多数现有的聚类算法，该方法不需要任何超参数、距离阈值和 / 或指定聚类数，该算法属于层次凝聚方法，在不同领域的公认数据集上评估表明性能大幅提高。

Feb, 2019

本文提出了一种基于条件概率分布的相似性量化方法，采用简单的神经网络参数化分布，并给出了一个采样的实现方法。实验证明，该方法与人类判断结果相关度显著高，并能有效地检测 Open IE 模型提取的冗余关系和分类中的错误，并可用于负采样和 softmax 分类以减轻错误。

Jul, 2019

通过标准化技术等方法探讨相似度测量在 BERT 和 GPT-2 等上下文鉴别模型中的代表性和准确性。我们发现一些不代表整体性质的维度会干扰这些测量，并且这些测量值并不一定代表模型的真实行为。因此，我们认为分析这些模型中基于相似性的操作需要解决这些问题。

Sep, 2021

本文介绍了一种适用于一组点之间的层次结构的简单代价函数，该函数基于这些点之间的相似性，克服了现有算法由于缺乏精确客观函数而退化的问题。作者进一步证实该方法在经典实例中表现出良好的性能，并提出了一种上行建设程序，其近似比可以证明是好的。

Oct, 2015