本研究介绍了一种基于无监督学习的多元蕴含图方法，用来理解自然语言断言之间的关系，并在微观语义问答任务中展示了其性能。结果表明，多元蕴含图在细粒度语义问题上比双向相似性更有帮助，并且跨语言价位的证据对于回答问题比仅使用相同语言价证据更加有效。

Apr, 2021

本研究提出了一种名为 EGT2 的两级方法，通过识别由类型 CCG 解析谓词形成的模板句子之间的可能文本蕴含关系来学习局部蕴含关系，其依赖于三种新颖的软传递性约束来考虑蕴含结构中的逻辑传递性，实验证明此方法可以很好地模拟蕴含图中的传递性，从而减轻了蕴涵结构稀疏的问题，并显著提高了当前最先进方法的表现。

Apr, 2022

本文提出将 SNLI 风格自然语言推断的研究推向多语言评估，为阿拉伯语，法语，西班牙语和俄语提供测试数据，并使用跨语言词嵌入和机器翻译构建基线系统，最终系统的平均准确率超过了 75％，并着重实现了多语言推断的进一步研究。

Apr, 2017

本文提出了一种采用文本蕴含来找到共享常识知识图谱节点之间的隐式蕴含关系的方法，以有效地增加相同概念类中节点之间连接的子图密度，从而提高 CSKG 完成任务的性能。

Feb, 2024

本文提出了一种名为 Typed Predicate-Entailment Graph Generator (TP-EGG) 的多阶段方法，利用生成模型，不需要精心准备的语料库，发现并构建了谓词之间的蕴含关系，可以用于自然语言理解中的推理任务。

Jun, 2023

本文提出了一个包含 4800 个手工标注的中文语料库，其用于细粒度实体分类。在实验中，我们展示了一些典型细粒度实体分类模型在我们的数据集上的表现，并显示了通过跨语言迁移学习提高中文细粒度实体分类的可能性。

Apr, 2020

本研究提出了一种跨语言标注投影方法，用于无需依赖单一语言学工具的开放域关系提取系统，同时发布了来自维基百科中 61 种语言的手动注释和提取的关系。

Mar, 2015

通过将词库整合到字符级序列中，我们提出了一种统一的格点图融合（ULGF）方法，用于中文命名实体识别。ULGF 可以明确捕捉字符 - 词语空间中细粒度语义单元之间的各种语义和边界关系，通过将格点结构转换为统一的图形来实现。我们堆叠多个基于图形的源内自我关注和源间交叉门控融合层，以迭代地进行语义交互以学习节点表示。为了减轻对词语信息的过度依赖，我们进一步提出了以词库实体分类作为辅助任务。在四个中文命名实体识别基准数据集上的实验证明了我们 ULGF 方法的优越性。

Dec, 2023

本文提出了使用双线性映射方法集成层次信息的新方法，相比于平面预测在实体链接和细粒度实体类型分类方面有显著的改进，并在基准 FIGER 数据集上实现了最新的最佳结果。

Jul, 2018

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