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

本文介绍一种从无序平面嵌入空间中捕捉层次结构信息的数据结构算法，基于权威性分布的想法构建有向根树，用于识别单词的上位词关系和寻找共同祖先，同时在维基页面链接恢复方面表现出优异的性能。

Nov, 2022

通过将符号数据嵌入超载空间（或更确切地说是 n 维庞加莱球）来学习符号数据的分层表示的方法，通过实验证明 Poincare 嵌入在具有潜在层次结构的数据上显着优于欧几里得嵌入，无论是在表示能力还是泛化能力方面。

May, 2017

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

本文通过多个跨领域实验，重新评估了语义分割中使用层次结构的有效性，发现在新的测试领域中，扁平化的分割网络优于层次结构方法，并且通过使用 Poincaré 球模型，超几何空间的表征方法在分割精度上显著优于传统的欧氏空间层次结构方法，在父节点的校准质量上表现出出人意料的强大性能。因此，综合分析指出，在领域之间的应用中，传统的层次结构分割方法可能受到限制，而扁平化的分类器在超几何空间下具有更好的泛化能力。

Apr, 2024

本研究提出了一种使用预训练语言模型构建分类树（例如，WordNet）的方法，该方法包括预测父子关系和协调这些预测结果以形成树的两个模块。研究表明，该方法在构建英语 WordNet 子树的任务上取得了很好的成果，并在 Open Multilingual WordNet 上将结果扩展到其他九种语言。

Oct, 2020

本文提出了一种新方法， 结合了双曲嵌入与 Hearst 模式，用于从大型文本语料库中推断概念层次结构和 is-a 关系。实验表明，该方法在多个基准测试中取得了最先进的性能。

Feb, 2019

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