本研究旨在探究名词性复合词组中的语素组合随时间的变化。通过使用带时间戳的 Google Books 语料库，本研究发现利用语义空间能够预测语素组合难度评分，但误差较高，并发现了所选复合词的语素组合难度具有时间变化的趋势。

Jun, 2019

该论文通过提出一种新型设计实现语言分析，包括统计语言学习的理论贡献，将概率赋给语义形式而不是更表面的语言元素，以及通过实验证明在名词组分析方面，提出的句法模型明显优于先前提出的模型，语义模型第一次以统计方法解决该问题，显示出更高的准确性，为未来研究提出了广泛适用的数据需求理论。

Sep, 1996

这篇论文提出了一种修改后的核心任务和评估方法，用于解决名词组解释和概念化的问题，并表明 GPT-3 在这两个任务上的表现都很出色，尤其是后者，因为它需要创造力、常识和知识的广泛推广能力。此外，研究人员估计了 GPT-3 处理新名词组的能力，并探讨了 GPT-3 的推理能力是否在与无脑地执行训练数据的策略之间取得平衡。

May, 2023

比较了名词复合物的不同表示方法，发现复合函数往往比分布式函数更有效，并且不同的函数在不同情况下表现不同，建议采用联合训练以得到更好的表示。

Jun, 2019

该研究实现并比较了名词复合分析的各种统计方法。结果表明，使用概念联想不仅能够实现广泛覆盖，还能提高准确性。基于依赖语法的分析模型比基于最深成分的分析模型更准确，尽管后者在文献中更为普遍。

Apr, 1995

提出使用神经模型来表示名词复合词的释义，并能够泛化到不常见的名词复合词及其释义，从而在 NLP 应用中提高名词复合词释义和分类的性能。

May, 2018

论文介绍了一种利用多层次信息和分布式信息的新技术，以检测名词短语的组合度，同时采用有监督的方法，并且使用了 Poincaré 嵌入，可以获得显著的效果提升。

Jun, 2019

开放词汇视觉 - 语言模型（VLMs）如 CLIP 是一种有前景的文本到图像检索方法，然而，对于复合名词（CN）是否能像对待名词一样理解得好呢？本研究构建了 Compun 基准测试以评估 VLMs 在解释 CNs 方面的有效性，并深入分析了 CLIP 对某些类型的 CNs 的有限理解。同时，提出了一种超越手写模板的替代框架，通过利用大型语言模型生成包含 CNs 的多样化描述来提高 CLIP 对 CNs 的理解。通过我们的方法在 Compun 上将 CN 的理解能力提高了 8.25%。

Mar, 2024

本文通过一系列实验和详细的误差分析，证明了参数初始化的迁移学习和参数共享的多任务学习可以帮助神经分类模型在高度倾斜关系分布上泛化。此外，我们演示了如何利用两个不同关系集合上的双重注释来提高神经分类器的整体准确性和 “F1” 得分，特别是在不太频繁但更难的关系上。

Sep, 2018

研究 GPT-3 对英语名词复合词的解释是否遵循同样的概念原则，通过实验和构建提示，没有找到令人信服的证据来证明 GPT-3 的解释不仅限于单个词汇项目。

Oct, 2022