本文提出，语境特征对于更好的隐喻识别非常重要，我们基于多种文档嵌入方法对话语及其周围环境进行表征，使用简单的梯度增强分类器，在不使用其他系统采用的复杂隐喻特定特征或深度网络体系结构的情况下，达到了几乎最先进的 2018 年 VU 阿姆斯特丹隐喻识别任务数据集的结果，并进一步通过质性分析证实了在隐喻处理中需要更广泛的上下文环境。

Apr, 2019

使用预训练语境感知模型和语言隐喻鉴别理论，我们提出了一种新型的隐喻检测模型 MelBERT，成功在四个基准数据集中超越了强大的基线模型。

Apr, 2021

本文提出端到端的神经模型，用于检测上下文中拟喻词的使用。结果显示，相较于先前使用更受限的语言环境的研究，针对完整句子进行操作的相对标准的 BiLSTM 模型在这种情况下表现良好。这些模型在现有的动词拟喻检测基准上建立了一个新的最优状态，并在同时预测运行文本中的所有词汇的拟喻性能方面显示了强大的性能。

Aug, 2018

本文介绍了一种新的数据增强技术 —— 上下文增强，使用双向语言模型预测单词位置上各个单词，将其替换为预测出的单词增强原句子，同时使用带标签的模型改进以确保模型增强句子不破坏标签状态，并在六种不同的文本分类任务中实验证明该方法可以改善基于卷积或循环神经网络的分类器。

May, 2018

提出了基于模型和训练集的字面注释，比较上下文意义以识别隐喻，并成功实现对基本注释目标的检测的一种新颖的隐喻检测方法，验证了对于隐喻检测建模基本意义的重要性和有效性。

May, 2023

本研究旨在基于概念隐喻理论通过控制生成过程并使用两种方法 (词汇级和序列生成模型) 生成有意义的隐喻表达。经过自动化和人工评估，实验结果表明，无监督的 CM-Lex 模型与最新的深度学习隐喻生成系统具有竞争力；而 CM-BART 优于其他所有模型。

Jun, 2021

本文提出了一种名为组合模块网络（Compositional Modular Networks，CMNs）的深度架构，该架构能够分析指称表达式的组成部分，识别输入表达式中提及的实体和关系，并将它们统一在现场中，从而实现对这些自然语言表达式的理解和建立联系。 通过在多个参考表达式数据集上进行评估，我们证明了 CMNs 技术在所有任务上优于现有技术。

Nov, 2016

本文介绍了第一个设计用于捕捉隐喻组合的深度学习架构，并表明该架构在隐喻识别任务中优于现有方法。

Sep, 2017

本研究提出了一种基于 transformers 的新方法，通过对不同级别单元的上下文化表示进行编码，动态捕捉对话依赖分析所需的信息，并将对话关系识别视为序列标记任务

May, 2022

该研究使用多语言数据集探索预训练语言模型中所编码的隐喻性信息，结果显示这些模型的中间层主要包含了隐喻性知识，并且该知识在多语言和多数据集中具有泛化性。

Mar, 2022