本文介绍了多层网络的结构和形式，讨论了多层网络作为研究精神词汇库的一种有效的数学框架。多层网络能够捕捉不同层次的词汇关联类型如何共存于大脑的精神词汇库，并影响认知加工。通过研究多重层次的联结，本研究提出了新的定量视角讨论了未来先进研究的方向和关键限制。

Oct, 2022

使用 feature-rich cognitive hypergraphs 模型基于 word association data 预测单词的具体性，相比 pairwise-based feature aggregations 和 pairwise networks 有更好的表现，并且丰富了和语言心理学向量相关的信息。

Apr, 2023

本文提出了一种多重词向量模型，将不同单词之间的关系映射到嵌入空间中，从而实现更好的语义解析和性能提升。实验证明该模型能更好地区分单词之间的不同关系且维持了嵌入向量的有效性。

Jan, 2020

通过深度度量学习进行后处理可以提高神经语言模型中语义相似度推断的效果，并将层次拟合用于建模 IS-A 层次中的语义相似性细微差别。

Oct, 2022

本文介绍一种使用神经网络方法进行实体识别的系统，主要聚焦于研究如何在建模时引入词汇特征，并通过低维向量空间嵌入和高效训练得到最佳结果，最终在公开数据集上取得了较高的 F1 分数。

Jun, 2018

该研究探讨了一种计算模型，即词嵌入模型，通过将词表示为多维空间中的向量，从词汇共现模式中学习来自语义记忆中的常见知识，并提出了语义投影的解决方案，以检验词嵌入模型是否能够恢复多种语义特征和对象属性的上下文依赖关系。

Feb, 2018

本文提出了一种基于探测任务的神经网络模型的韧性度量方法，在通过语言模型中提取出的语言结构上评估了四种大型语言模型的一致性和鲁棒性，并发现神经网络的新兴句法表示具有脆弱性。

Oct, 2022

提出了一种新颖的基于词形的约束方法，通过使用简单的语言特定规则来改进分布向量空间的语义质量，这种方法可以提高低频词估计的准确性，并在解决语言理解任务的长尾现象方面取得显著的效果。

Jun, 2017

提出一种基于张量近似的新型 NLP 模型，将词汇特征分为词汇、上下文信息和标签，并在张量中捕获这些特征之间的连接信息，通过低秩张量逼近来减少参数空间并提高预测速度，模型在关系提取、PP 附加和介词消歧等任务上取得了最先进的结果。

Apr, 2016

通过对 GPT-2 的激活进行统计的方法，将语言模型的高维度激活分解成四个组合类别：词汇、组合、句法和语义表示，并发现组合表示比词汇表示更广泛地招募了大脑皮层网络，并且句法和语义共享一个分布式神经基础。该研究提出了一个多功能的框架来分离神经活动中的语言建构分布式表示。

Mar, 2021