通过众包实验和单词分布表示，本文介绍了表示形式 connotation frames，它可以组织单词中的 connotative 关系并分析线上新闻媒体中的潜在偏见。

Jun, 2015

本文提出了一种基于 FrameNet 的查询框架 ArGument Extractor with Definitions，该框架使用 FrameNet 中的框架和框架元素定义来查询文本中的参数，以指导模型学习标签的语义和加强参数之间的交互。实验证明，该框架在两个 FrameNet 数据集上的 F1 分数比先前的最新技术提高了 1.3，并且在零样本和少样本情况下具有较强的泛化能力。

Dec, 2022

介绍了一种基于主题建模和深度学习的系统，用于分析和分类文本文档中的框架，该系统提供了预训练的框架分类模型以及适用于用户提供的语料库的新型分类模型的易于使用的流水线，旨在使研究人员能够获得文档的框架

Aug, 2020

本篇论文提出了一种利用深度度量学习的方法，通过预训练语言模型对具有框架注释的数据进行微调，提取目标框架元素知识并完成相关聚类操作，实验证明该方法相比现有方法取得了明显的性能提升（基于 FrameNet 数据集）。

May, 2023

本论文提出了 Frames 数据集，旨在研究目标导向型对话系统中记忆的作用并通过自然语言生成展示信息呈现。此外，还介绍了基于 Frames 数据集的任务 Frame Tracking，将状态跟踪扩展到同时跟踪多个状态，并提出了基线模型。

Mar, 2017

本文提出了第一个基于概率的帧感应方法，它将框架、事件、参与者作为潜在主题，学习最能解释文本的框架和事件转换。通过句法分析的新型应用进行了框架的推断。在从文本到诱导的框架和提取的事实的端到端评估中，我们的方法产生了最先进的结果，同时大大减少了工程工作量。

Feb, 2013

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

本文研究了不同上下文环境下，有些动词引起的语义框架不同，以及如何利用 Contextualized word representations 识别这些不同的语义框架，同时探索哪些类型的表示适合用于语义框架的归纳。通过比较七种不同的 Contextualized word representations，特别是 BERT 和其变体，在 FrameNet 和 PropBank 等英语 Frame-semantic 资源方面进行了实验，表明，某些 Contextualized word representations 对于语义框架的归纳具有相当的信息量。此外，本文还考察了动词的上下文表示估算其所引起的语义框架数的程度。

May, 2021

本文提出一种新的基于概率框架、结合形式语义和机器学习的方法，通过将谓词与其所指实体分开，利用贝叶斯推断来对逻辑形式进行推理，在使用受限玻尔兹曼机和前馈神经网络的组合实现这一框架之后，最终证明了该方法的可行性。

Jun, 2016

提出了 FrameAxis 一种量化揭示文本中话语取向 (Framing) 的方法，通过识别出重点话语轴（microframes）的存在，来以无监督的方式对大数据集进行语义轴上的语料特征表征。通过该方法可以定量地捕捉文本中特定的话语趋向和强度，并能够识别话语的倾向性、主题、和政治立场等。

Feb, 2020