TopicExpan 是一种新的主题分类扩展框架，它结合了基于文本内容和新主题周围的层级关系结构，直接生成新主题相关的术语，实验结果表明，它在两个真实文本语料库中的表现显著优于其他基线方法。

Oct, 2022

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

本文提出了一种名为 TaxoExpan 的自我监督框架，使用一组 <查询概念，锚定概念> 对从现有分类法中自动生成的训练数据。通过使用这种自我监督数据，TaxoExpan 学习模拟预测查询概念是否为锚定概念的直接下位词的模型，并提出了两个创新技术：（1）增强位置的图神经网络，用于编码现有分类法中锚定概念的局部结构；（2）噪声鲁棒训练目标，使学习模型不受自我监督数据标注噪声的影响。实验结果表明，TaxoExpan 对于分类法扩展具有高效性和有效性。

Jan, 2020

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

通过利用现有的分类法作为实体关系的丰富来源，运用指导调优来微调大规模语言模型以生成父节点和同级实体，本文提出了统一的分类法指导的指令调优框架，有效地解决了实体集扩展、分类法扩展和种子引导分类法构建这三个任务，并且在多个基准数据集上的广泛实验证明了 TaxoInstruct 的有效性，其在这三个任务上优于特定任务的基线方法。

Feb, 2024

本文提出了一种自我监督和用户行为导向的产品分类法拓展框架，通过从现有的分类法和用户点击日志中抽取用户感兴趣的候选下义词关系并利用预训练语言模型和图神经网络结合对比学习来建模概念和关系，以自动将新概念附加到现有分类法，从而减少手动更新的人力成本。

Mar, 2022

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

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

本文提出了一种基于语义的标签分类方法 CoRel， 该方法针对用户需求构建特定领域的语义完整分类体系，以及实现将概念与文本共同嵌入以丰富每个概念节点的语义。作者在实际数据集上进行了实验，验证了该模型的有效性和性能表现。

Oct, 2020

研究了税务分类扩展问题，提出了一种自我监督的分类扩展模型 STEAM，并通过多视角共同训练等方法取得了 11.6％的准确度和 7.0％的平均倒数排名的效果。

Jun, 2020