本文介绍我们在 SemEval2020 任务 1 中创造性的提出了语义变化检测方法，该方法是全自动的，不需要人工干预，且独立于语言；我们利用标准相关分析和正交变换计算语义空间之间的线性变换，并通过比较早期和晚期语料库中目标单词的向量之间的余弦相似度来检测语义变化。

Nov, 2020

本研究介绍了称为 EmbLexChange 的系统，用于无监督检测词汇 - 语义变化的过程，并展示了该系统在使用重采样框架的情况下可靠地检测英语、德语、瑞典语和拉丁语的词汇 - 语义变化。

May, 2020

本文提出从变化检测到变化发现的新方向，重点在于发现全文词汇中的新单词含义变化。通过对最近发表的德语数据进行深度调整，研究人员证明了两种模型都可以成功地应用于发现正在经历含义变化的新单词。此外，还提供一个几乎全自动化的框架用于评估和发现。

Jun, 2021

该研究应用上下文化词嵌入到 SemEval-2020 Shared Task 1 的词汇语义变化检测中，着重于子任务 2，在两种上下文化体系结构（BERT 和 ELMo）和三种变化检测算法方面，分析了其性能。我们发现，最有效的算法依赖于平均令牌嵌入之间的余弦相似度和令牌嵌入之间的成对距离。他们比强基线模型高出很大的差距，但是有趣的是，选择特定算法取决于测试集中金标准分数的分布。

Apr, 2020

本文介绍了在西班牙语中关于语义变化发现和检测的首个共享任务，并使用 DURel 框架手动注释了西班牙语单词的第一个数据集。该任务分为两个阶段：1）分级变化检测，2）二元变化检测。共有六个团队参加了第一阶段，七个团队参加了第二阶段，最佳结果在第一阶段获得了 0.735 的 Spearman 等级相关性，第二阶段获得了 0.716 的 F1 分数。本文介绍了参赛团队开发的系统，强调了特别有用的技术，并讨论了这些方法的局限性。

May, 2022

引入大型语言模型（LLMs）进入词汇语义变化检测领域，提出了新的提示解决方案和全面评估，填补了研究领域中对 LLMs 应用的空白。

Dec, 2023

本文通过对词汇语义分歧的跨学科大规模评估，在时间尺度和领域范畴两方面开展语义感知变化的检测，并通过集成和扩展基准模型来解决评估历程中表面性和缺乏比较的挑战。此外，本文还展示了利用相同的评估方式和建模方法可以成功地应用于术语提取领域异构感知偏离的同步性检测。

Jun, 2019

介绍了最近计算技术中应用到词汇语义变化的方法与工具，着重研究了语义变化的历时概念变化扩展。

Nov, 2018

通过使用已有的 Word-in-Context（WiC）数据集，我们提出了一种监督式的两阶段语义变化检测（SCD）方法，该方法可预测给定目标词在两个不同文本语料库中是否改变其意义。实验证明，我们的方法在多个语言的多个基准数据集上始终优于以前提出的 SCD 方法，为 SCD 领域建立了新的最先进技术。有趣的是，我们的研究结果暗示，存在着与语义变化相关的专门维度，在意义感知嵌入空间中承载信息。

Mar, 2024

该研究提出了一种基于生成旧新义词的词汇替代方案，它在探测语义变化中实现了第二佳的结果，并且通过观察仅出现在一个时间段的替代词可以理解哪些义项被获得或丢失，从而为用户提供了更详细的信息并使方法具有可解释性。

Jun, 2022