本研究使用新的超几何嵌入方法学习文本数据中的词和句的嵌入，这些嵌入似乎编码了层次结构的某些直觉概念，然而，由于隐含的连续层次结构，这种模型更难以研究其学习层次结构的内部机制。

Jun, 2018

本论文介绍一种互补框架，该框架将基于模式的方法和分布式方法无缝协作，以检测单词之间的上位词关系，尤其是针对一些在基于模式的方法中无效的情况。在多个基准数据集上，我们的框架取得了竞争性的改进，并且案例研究显示它更具可解释性。

Oct, 2020

本文研究使用分布式向量预测词汇蕴涵的任务，提出基于 Hearst patterns 的特征提取方法，并结合文献中已有的优秀模型，成功预测多个数据集的结果。

May, 2016

本文研究了两种无监督上义词检测方法：基于模式和基于分布的方法。在多个上位词任务上，实验发现基于模式的方法在常见基准数据集上始终优于基于分布的方法。结果表明，基于模式的模型提供了尚未在基于分布的方法中捕获的重要语境约束。

Jun, 2018

研究了使用超几何空间模型学习大型分类体系中的嵌入向量，其中 Lorentz 模型的效率高于 Poincaré-ball 模型，并发现该方法可以应用于发现公司组织结构和语言家族之间的历史关系。

Jun, 2018

在机器学习中，通过保留相关网络属性的低维嵌入学习图表示是一类重要的问题。本文提出了一种嵌入有向无环图的新方法，使用证明能够更好地模拟树状结构的双曲空间，并使用一组嵌套的测地凸锥来定义分层关系，并证明这些蕴含锥体在欧几里得和双曲空间中均具有一种优化的形式，而且它们可以规范地定义嵌入学习过程。实验显示，我们的方法在表示能力和泛化方面都比最近的强有力的基线有显着的改进。

Apr, 2018

本文提出的 HyperExpan 算法是一种基于超平面嵌入（Hyperbolic space）的 taxonomy expansion 自动扩展算法，运用了超图神经网络和位置嵌入技术，通过表征概念及其关系来扩展现有分类体系的覆盖范围，并在分类扩展基准测试中取得最优性能。

Sep, 2021

提出了一种新方法：基于类别树描述的文本语料库的层次话题挖掘，通过开发一种新的联合树和文本嵌入方法，同时建模类别树结构和语料库生成过程来实现有效的层次话题挖掘，发现代表性词。该方法具有高效的性能和弱监督下的分类任务性能优势。

Jul, 2020

本文研究了采用双曲嵌入表示大型实体类型库中的层次信息，以捕捉上下文中提及和目标类型之间的层次关系，从而提高实体类型命名性能。研究表明，双曲模型在不同的技术和数据集上表现出提高的效果，但在技术代码和数据集细节方面的差异也存在影响。

Jun, 2019

本文提出了一种神经符号、多关系框架来仅通过自然语言定义学习单词嵌入，特别地，通过在超几何空间中学习，将维护向量空间中的显式概念关系和约束。实验结果表明，这种方法可以帮助强制执行期望的结构约束，同时保留可控和可解释的语义导航，而且超几何词嵌入优于欧几里得空间的词嵌入。

May, 2023