本文提出了第一个构建中文蕴涵图的方法，其中包括一种新颖的高召回率开放关系抽取 (ORE) 方法和第一个基于 FIGER 类型本体的中文细粒度实体类型数据集。在 Levy-Holt 数据集上的实验中，我们验证了我们的中文蕴涵图的强大性，揭示了跨语言互补性，并证明了中英蕴涵图的集成优于单语言蕴涵图，并将无监督 SOTA 提高了 4.7 AUC 点。

Mar, 2022

通过生成包含多前提蕴含步骤（即知识事实到问题答案的中间推理结论）的蕴含树形式的解释，本研究提出第一个含有多步蕴含树的数据集 ENTAILMENTBANK，用于培训模型执行三项解释任务。结果表明，当输入包含相关句子时（例如，任务（a）的 35% 结果完美），强大的语言模型能部分地解决这些任务，并具有推广到其他领域的迹象。

Apr, 2021

该论文提出了一种新的图形平滑方法，使用语言模型来查找缺失谓词的最近近似值来解决自然语言推理中的顶点稀疏问题，以此提高绝对百分比点的回想，并与其他边缘稀疏改进产生补充作用，同时形式化了平滑符号推理方法的理论。

Jul, 2022

本文提出了一个基于向量空间的模型，通过平均场近似，发展了逼近推理程序和蕴涵操作，用于重新解释现有的分布式语义模型（Word2Vec），以近似预测词汇蕴涵关系，通过无监督和半监督实验，在下义词检测方面取得了显著的改进。

Jul, 2016

我们提出研究答案的蕴含关系，以识别更具信息量和更一般化的系统答案，从而更接近人类判断，无需学习。我们提出的蕴含关系评估可通过量化答案之间的推断差距来分配奖励或部分分数，实现对答案正确性的细致排序，其 AUC 比目前的方法更高。

May, 2024

本文提出了一种基于自然语言的演绎推理系统，通过将任务分解为逐步协调的步骤，并由搜索程序生成中间结论的树，可以成功地证明真实的语句并拒绝虚假的语句。

Jan, 2022

通过考虑多种相关性信号，我们将多跳问题回答的证据检索任务划分为两个子任务：语义文本相似度和推理相似度检索。我们提出了两种集成模型 EAR 和 EARnest，分别处理每个子任务，然后考虑不同的相关性信号对句子进行重新排序。在 HotpotQA 上的实验证明，我们的模型不仅显著优于基于单一检索模型，而且比两个直观的集成基准模型更有效。

Nov, 2023

本文研究了分类组合分布语义学中的词汇包含问题，使用密度矩阵和量子计算中的部分知识的范畴语义思想提出了一种新的语言模型，并引入了一种新颖而强健的分级量化概念，能够有效地计算概念之间的包含关系。

Jan, 2016

探讨了利用提示进行监督微调测试 LM 在方向谓词蕴含方面的能力。提出了一个名为 BoOQA 的评估基准，旨在评估 LM 在方向谓词蕴含方面的表现，结果显示现有的 LM 模型无法胜任方向蕴含的学习任务，而基于蕴含图的模型表现较好。

Oct, 2022

本文介绍了一个新的推理任务 Visual Entailment（VE），并构建了一个数据集 SNLI-VE，用于评估已有的 VQA 基线和构建了一个名为 EVE 的模型来解决 VE 任务，这个模型达到了 71% 的准确率并展示了 EVE 通过跨模态注意力可解释性的效果。

Jan, 2019