本文中，我们通过使用循环神经网络对依赖路径进行编码，提出了一种改进的基于路径的算法，可以有效检测 NLP 中的上下位关系，并且与分布式方法相当。 我们进一步将这种方法扩展到组合基于路径和分布式信号的方法，从而显着提高了检测上下位关系的准确性。

Mar, 2016

本文提出了一个基于网络算法 LexNET 的语义关系识别方法，其中结合了路径和分布式信息，在 CogALex 2016 语义关系公共任务中获得了良好的成绩。虽然在一些子任务中表现相对较差，但仍然显示出路径和分布式信息相结合对于语义关系的识别意义重大。

Oct, 2016

研究探讨了关于如何使数据获取自然语言的有意义的表示，包括评估英语和西班牙语语义空间如何捕捉与概念相关的特征，以及探索共现在这种情况下的作用。

May, 2022

采用基于概率逻辑推理的混合方法将基于逻辑和分布式语义组合起来，提高了在文本推理任务上的表现。

May, 2015

通过深度度量学习进行后处理可以提高神经语言模型中语义相似度推断的效果，并将层次拟合用于建模 IS-A 层次中的语义相似性细微差别。

Oct, 2022

本文研究使用分布式向量预测词汇蕴涵的任务，提出基于 Hearst patterns 的特征提取方法，并结合文献中已有的优秀模型，成功预测多个数据集的结果。

May, 2016

该研究提出了一种基于向量空间的框架来对词汇包容性建模的分布语义模型，利用伪短语中邻近的两个词向量提出了一种隐向量，并探究了模拟词作为证据或词作为后验分布的优缺点。实验表明，所得到的词嵌入模型优于之前预测词之间下义词关系的最佳结果。

Oct, 2017

本论文介绍一种互补框架，该框架将基于模式的方法和分布式方法无缝协作，以检测单词之间的上位词关系，尤其是针对一些在基于模式的方法中无效的情况。在多个基准数据集上，我们的框架取得了竞争性的改进，并且案例研究显示它更具可解释性。

Oct, 2020

本研究旨在对传统计数模型、预测模型与现代上下文向量模型（由 Transformer 神经语言模型生成）进行遵循语境学习的分布式语义模型（DSM）评估，结果显示在大多数上下文之外的语义任务和数据集中，静态 DSM 优于上下文化代表性，并揭示了 DSM 之间的不同之处，这些不同涉及词汇项的频率和词性，为调查分布式模型生成的语义空间提供了方法。

May, 2021

本文研究了上下文语言模型的语义相似性属性，并利用 SemCor 和 WordNet 方式进行探索。然后，将该方法应用于更开放的环境，以表征静态和上下文语言模型之间的差异。

Nov, 2021