本文提出了一种基于文本和图像的概率模型，通过端到端特征设计实现自动构建上位词分类法。通过小型本体数据的判别训练，该模型可以从头开始为具有关联图像的未知概念标签构建完整的分类法。在 WordNet 层次结构的评估中，本系统的表现优于以往方法。

Jun, 2016

本文提出了一种新颖的半监督方法，用于从输入词汇表中识别领域分类体系。该方法使用了一种基于概率的框架来提取上位词子序列，通过实验证明在四种语言中，作者的方法优于目前最先进的分类体系识别方法，并且在输入词汇中有噪声的情况下表现出很好的鲁棒性。

Apr, 2017

本文提出了层次扩展框架 (HEF)，旨在更好地利用分类法的分层结构进行分层扩展。HEF 在多个方面利用分类法的分层结构，利用亲属关系检测和几个树独特功能来评估其子树的连贯性，并引入适合度评分来选择最优位置，将信息交换用于消歧和自我纠正。该模型在三个基准数据集上的实验表明，通过更好地利用层次结构和优化分类法的连贯性，HEF 在准确性和平均倒数排名方面平均提高了 46.7% 和 32.3% 的精度，远远超过了之前的最佳水平。

Jan, 2021

通过实验证明，Chain-of-Layer 在四个真实世界基准测试中取得了最先进的性能，它是一种从给定实体集合中归纳分类体系的上下文学习框架。

Feb, 2024

本文介绍了一种新的基于种群分布式搜索的无任务探索算法 TAXONS，可用于直接从高维观测数据中寻找有效策略，结合重构误差在极少先验知识的情况下自适应驱动搜索，能够在稀疏奖励问题中成功探索出多样化的控制器。

Sep, 2019

本文提出了一种自我监督和用户行为导向的产品分类法拓展框架，通过从现有的分类法和用户点击日志中抽取用户感兴趣的候选下义词关系并利用预训练语言模型和图神经网络结合对比学习来建模概念和关系，以自动将新概念附加到现有分类法，从而减少手动更新的人力成本。

Mar, 2022

我们提出了一种新型的监督对比损失函数，在表示学习过程中引入了分类树结构信息。该损失函数通过强制要求具有相同类标签（正样本）的图像在投影空间中比具有不同类标签（负样本）的图像更接近彼此来实现。该方法的优势在于它直接惩罚表示空间的结构，这使得在编码语义概念方面具有更大的灵活性。然而，标准的监督对比损失函数只基于下游任务（即类标签）强制执行语义结构。我们展示了通过在对比损失中明确考虑这些关系，采用加权惩罚的方式，可以超过监督对比损失。此外，我们将分类树的概念融入医学和噪声环境的设置中，表现出高达 7% 的性能提升。

Jun, 2024

本文提出了名为 ATTEMPT 的两阶段方法，通过找到父节点并标记子节点的方式，将新概念插入正确的位置。利用预训练的语言模型进行上下位关系识别，通过合并本地节点和提示生成自然语句。实验结果表明，ATTEMPT 在分类系统补全和扩展任务上表现最佳，超过了现有方法。

Jun, 2024

本文提出了一种可插拔的框架，名为 GANTEE，它使用生成对抗网络来扩展分类法，以解决传统分类法扩展方法效率低下和训练样本有限等问题，并采用先前训练的语言模型，以快速检索概念表示。实验表明 GANTEE 在分类法扩展的效率和有效性方面都有所提高。

Mar, 2023

本文研究将层次分类标签作为先验知识集成到扁平分类器的学习算法中的有效性，并通过两种方法将层次分类税引入到学习算法的损失函数中，实现半监督多类别分类器和全监督多类别分类器的性能提高，在工业数据集和公共基准测试中进行了实验，并取得了显著成果。

May, 2023