本文介绍了将基于范畴的组合语义学理论 [6] 应用于认知的概念空间模型，并引入凸关系类别作为范畴性组合语义学的新设置，强调了凸结构对概念空间应用的重要性，展示了如何构建复合类型，如形容词和动词的概念空间模型，并通过详细实例阐述了这一新模型。

Aug, 2016

本文研究了分布语义学中的组合性问题，使用 Coek，Sadrzadeh 和 Clark 提出的范畴理论框架，将语法分析形式主义与分布语义表示法相结合，生成具体的组合式分布式模型，并展示它们在自然语言处理领域的有效性。研究的贡献包括将 DisCoCat 框架拓展到在句法和语义上，验证模型的优势以及提出了在本主题上应用范畴论的未来研究方向。

Nov, 2013

本文提供了一种用于实现分布式语义中语义合成模型的矢量空间的具体方法，实现方法基于结构化向量空间及张量积原理，将所有句子的语义矢量存在同一向量空间，并将提出的句子空间设置为两个名词空间的张量积，并通过它们的向量内积来比较句子的语义。

Dec, 2010

提出了一种在脉冲神经网络结构中实现复合分布语义、解决概念绑定问题的方法，利用标记图像进行词向量训练。

Jan, 2024

本文介绍了一种新的基于范畴论和量子力学的自然语言处理方法，通过将词汇进行向量化，并结合 Coecke, Sadrzadeh 和 Clark 提出的分配模型进行词汇的分析和理解，同时采用 Selinger 的 CPM 构造进行词汇多义性的处理，实现了有效的句子意义计算和词汇比较。

Feb, 2015

本文提出了一个新的模型框架，使用范畴论的概念空间广义化，并展示了如何从数据中自动地学习概念表示，包括经典和量子两种不同的实例化。通过范畴论的形式化，我们详细阐述了该框架的基本原理。我们认为使用范畴论，特别是使用弦图来描述量子过程，可以帮助阐明我们方法的一些重要特点。在现有的概念空间框架基础上，我们从简单形状的图像中学习了形状、颜色、大小和位置等概念，在经典实现中概念表示为高斯函数，在量子实现中表示为量子效应。在经典情况下，我们开发了一个新的模型，受到概念的 Beta-VAE 模型启发，但更紧密地与语言相连接，使得概念的名称成为图形模型的一部分。在量子情况下，概念通过一个混合的经典 - 量子网络进行学习，该网络通过卷积神经网络进行经典图像处理，并通过参数化量子电路生成量子表示。最后，我们考虑了我们的量子概念模型是否可以被视为 Gardenfors 意义上的概念空间。

Nov, 2023

本文使用分类组成分布语义模型（categorical compositional distributional semantics）结合 Barwise 和 Cooper 的广义量词理论，进行了基于生成语法形式化的抽象范畴组成语义学习。并证明了基于集合的关系实例化的等价性，以及基于向量空间的实例化的有效性。

Feb, 2016

本文提出了一种新的概率框架，用于评估概念组合的语义是否是组合性的，并提供了将概念组合的语义分类为 “组合性” 或 “非组合性” 的正式方法。

May, 2013

本文探讨了人类学习机制中的组合性问题，并扩展了先前针对自然语言的神经网络研究到数学推理领域。研究发现，神经网络不仅能够学习到训练数据中的结构关系，而且能够将这些知识用于指导复合意义的组合。

May, 2021

本文研究了分类组合分布语义学中的词汇包含问题，使用密度矩阵和量子计算中的部分知识的范畴语义思想提出了一种新的语言模型，并引入了一种新颖而强健的分级量化概念，能够有效地计算概念之间的包含关系。

Jan, 2016