提出使用 CEN（contextual explanation networks）架构进行预测，生成中间简化的概率模型作为解释，为每个预测生成有效的、实例特定的解释，并可用于决策支持。CEN 架构不仅和现有的最先进方法相竞争，且在决策支持方面提供了有价值的额外细节。
May, 2017
本文研究网络嵌入的问题，提出了内容增强网络嵌入 (CENE) 的方法，该方法能够联合利用网络结构和内容信息，并通过将内容信息视为特殊节点来将文本建模和结构建模集成在一个通用框架中，试验结果表明，该模型在节点分类应用中胜过其他所有现有的网络嵌入方法，充分证明了内容信息和联合学习的优点。
Oct, 2016
本篇论文提出了一种称为 “条件相似性网络” 的方法，用于学习分离式嵌入，不同的相似性概念被编码在不同的语义子空间，并用于解决多个不同相似性概念的问题。
Mar, 2016
本文介绍了一种新的条件网络嵌入方法，使用贝叶斯方法进行实现，本方法可以在一些网络结构较为复杂的情况下提高嵌入方法的表现，适用于网络的链接预测、多标记分类等任务，并且不增加计算复杂度。
May, 2018
通过结合传统词嵌入和语义概念嵌入，基于多网语义网络形式化提出的语义概念嵌入（CE）能够提高预测目标群体的准确性。
Jan, 2024
本文提出了两种方法：使用多任务学习模型获取上下文数据以在自动艺术分析中使用上下文，以及通过艺术特定的知识图谱获得上下文，为视觉表示增加上下文艺术信息，以实现艺术作品的分类和检索。
Apr, 2019
通过把已学习的 word2vec 词向量矩阵与单词的平均上下文向量相乘，可以创建新的单词词向量并表示多重含义的单词。将这些词向量用作特征，对 CoNLL 2003 命名实体识别任务的改进效果得到了证明。
Jun, 2017
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
该研究提出了通过将图像映射到类别嵌入中以学习语义鉴别性特征的方法，从而提高图像检索结果的语义一致性。结果显示在 CIFAR-100，NABirds 和 ImageNet 上，学习到的图像嵌入大大提高了图像检索结果的语义一致性。
Sep, 2018
基于标注数据的 A:R vs B:R 方法构建了图像相似度模型，并采用集成模型处理稀疏采样和基于上下文数据的偏差，测试结果表明，该集成模型优于单个上下文敏感模型、混合图像数据和现有相似度模型，证明基于上下文标注和模型训练在适当的集成方法下可以有效克服稀疏采样的限制。