该综述文章阐述了分布语义学在理论语言学领域的影响有限，但其成功地捕捉了自然语言诸多意义方面，并回顾了该领域在语义变化、一词多义及组合，以及语法 - 语义接口等领域的研究成果，旨在在理论和计算语言学之间进行更大规模的交叉授粉，以推进我们集体的语言知识。
May, 2019
分布式语义模型已经广泛应用于自然语言处理系统中，但在语言和认知的更广泛理论范围内，分布式语义模型的理论地位仍不清楚。 然而，我们认为传统答案本质上是一个误解，分布式语义模型本身是表达含义的适当模型。
采用基于概率逻辑推理的混合方法将基于逻辑和分布式语义组合起来，提高了在文本推理任务上的表现。
May, 2015
本研究旨在对传统计数模型、预测模型与现代上下文向量模型（由 Transformer 神经语言模型生成）进行遵循语境学习的分布式语义模型（DSM）评估，结果显示在大多数上下文之外的语义任务和数据集中，静态 DSM 优于上下文化代表性，并揭示了 DSM 之间的不同之处，这些不同涉及词汇项的频率和词性，为调查分布式模型生成的语义空间提供了方法。
May, 2021
研究探讨了关于如何使数据获取自然语言的有意义的表示，包括评估英语和西班牙语语义空间如何捕捉与概念相关的特征，以及探索共现在这种情况下的作用。
May, 2022
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
本文研究了上下文语言模型的语义相似性属性，并利用 SemCor 和 WordNet 方式进行探索。然后，将该方法应用于更开放的环境，以表征静态和上下文语言模型之间的差异。
Nov, 2021
分析分布式语义模型的稳定性问题对于跨模型通信的关系。构建两种模型以说明差异性和绝对性稳定性。
May, 2024
本文介绍了一种综合神经方法以识别多个语义关系和判断上位词检测，结果表明基于路径的信息源对分类的贡献不可或缺且常常与分布式信息互补。
Aug, 2016
本文研究了分布语义学中的组合性问题，使用 Coek，Sadrzadeh 和 Clark 提出的范畴理论框架，将语法分析形式主义与分布语义表示法相结合，生成具体的组合式分布式模型，并展示它们在自然语言处理领域的有效性。研究的贡献包括将 DisCoCat 框架拓展到在句法和语义上，验证模型的优势以及提出了在本主题上应用范畴论的未来研究方向。
Nov, 2013