本文提出了一种基于任务指导和路径增强的异构网络嵌入模型来解决双盲审查下作者识别的问题，并通过实验证明了该模型相较于现有方法能够更准确地识别真实作者。

Dec, 2016

本研究使用 Microsoft Academic Graph 数据集，通过实验不同配置的文档中心投票模型，研究不同分布式学术文章表示形式 (即嵌入) 对学术专家检索的影响。结果表明使用用于句子相似性任务的转换器模型训练的上下文嵌入产生最有效的论文表示，然而通过 Citation retrofitting 的论文嵌入和使用详细的作者贡献权重策略并未提高检索性能。

Oct, 2020

本研究提出一个统一框架用于学习复杂网络的多种嵌入表示，包括不同属性节点和多样的边类型，支持基于图的归纳和转导学习，通过对四个数据集的系统评估，证明了该框架的有效性和效率以及在阿里巴巴公司推荐系统上的应用。

May, 2019

本文试图通过利用微博中的社交网络结构，将作者、提及和实体编码成一个连续向量空间，并将这些向量纳入神经结构预测模型中，以捕捉实体链接任务中固有的结构约束。与现有的最新技术相比，这些设计决策在基准数据集上的 F1 值提高了 1%-5%。

Sep, 2016

本研究提出了一种新颖的方案，通过异构图上的分层表示学习来进行跨语言引用推荐，可以优化出在图上定位重要的跨语言邻域的概率，实验结果显示该方法不仅可以超越现有的基线模型，而且可以提高跨语言引用推荐任务的表现。

Dec, 2018

信息检索中的全面检索方法被应用于大型语言模型的前提学习中，这些检索方法早期用于经典应用，但近期多用于异构且严格的应用，需要改进小 K 值的检索。我们提出了一种改进的密集检索方法，通过学习预训练嵌入的低秩残差适应来实现任务特定、异构且严格的检索，并在实验证明我们的方法相比于基于通用嵌入的基线有所改进。

Oct, 2023

本文引入了一种无监督的辨别模型，用于在线文档检索。我们仅使用文本证据，通过无监督学习分布式词表示来避免显式特征工程。我们将我们的模型与最先进的无监督统计向量空间和概率生成方法进行比较，并发现我们的模型在大多数情况下可以与监督方法匹配，且算法成本较低，因此可以取得与所谓的基于档案的方法相同的检索性能水平。

Aug, 2016

该论文介绍了一种基于多传感器数据融合框架与极大熵及 Dempster-Shafer 证据理论相结合的新方法，用于解决查找某个主题下最有知识的人的信息检索任务。它应用于一个学术领域的两个数据集上，证明了该方法的广泛适用性和优越性，可以使它在性能上达到与传统的监督技术相同的水平。

Jun, 2013

研究使用关联网络和 BERT 来进行实体链接和共指消解，发现在领域内语言建模预训练和出版物信息可以显著提高任务性能，提出一种新的监督聚类推断模型并在两个数据集上进行了实验证 显示其具有竞争性能。

Aug, 2022

该论文介绍了一种基于词嵌入的 query expansion 方法，使用人工神经网络分类器来预测 query expansion 词汇的有用性，实验结果表明该方法显著提高了检索性能。

Nov, 2018