本文研究领域为知识图谱，提出了一种基于图结构表示与深度学习的分类体系扩展方法，实验结果表明该方法在多个数据集上具有优异的效果。

Jan, 2022

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

本文提出了一种采用嵌入术和层次聚类方法的主题分类法 TaxoGen，通过每个节点表示概念主题，定义为语义一致概念项的聚类，以构建主题分类法，并对两个真实数据进行了实验，证明了其与基线方法的有效性。

Dec, 2018

本文提出了 “视觉分类法扩展”（VTE），将视觉特征引入分类法扩展任务。我们提出了文本上位词学习任务和视觉原型学习任务，以聚类文本和视觉语义。除了各自的任务外，我们还引入了超原型约束，整合文本和视觉语义以产生细粒度的视觉语义。在两个数据集上对我们的方法进行评估，我们获得了令人信服的结果。特别在中文分类法数据集上，我们的方法的准确度提升了 8.75%。此外，我们的方法在中文分类法数据集上的表现优于 ChatGPT。

Sep, 2023

GenTaxo 通过识别需要新概念的现有分类系统中的位置，然后生成适当的概念名称，从而提高了分类完整性。

Jun, 2021

提出了一种基于分布式语义嵌入的主题建模方法 top2vec，不需要预定义的停用词表、词干提取或词形还原等预处理，能够自动确定主题数目，有效地提取语义信息并以主题向量的形式呈现。实验结果表明，top2vec 比传统的生成模型更加优秀。

Aug, 2020

本研究提出了一种名为 TaxoEnrich 的新的分类完成框架，它有效地利用现有分类体系中的语义特征和结构信息，并提供更好的候选位置表示以提高分类完成性能。实验结果表明，在四个来自不同领域的大型真实数据集上，TaxoEnrich 在所有评估指标上均实现了最佳性能，并且在很大程度上优于先前的最新方法。

Feb, 2022

本文介绍了一种基于分类术语的潜在因子模型 (TF)，并将其用于推荐系统，以提高推荐精度和处理数据稀疏性和冷启动问题，该模型将分类术语与潜在因素相结合，并使用加法模型。同时，该模型还利用高阶马尔科夫链考虑到用户兴趣的时间动态和能够处理大规模数据。使用真实世界的购物数据集进行实验证明该模型比现有方法具有更好的推荐性能和运行时间。

Jun, 2012

本文介绍了一种基于疾病词汇的 word2vec 模型（Dis2Vec），用于自动创建疾病分类法，以便更准确地进行疾病监测。结果表明，Dis2Vec 比传统方法更能准确地捕捉不同类别疾病的分类属性，并且性能更好。

Mar, 2016

本文介绍了一种基于图的嵌入算法，旨在提高词嵌入的句法能力并在数据量不足时获得鲁棒性。

Aug, 2018