该研究提出了一种基于图的聚类方法，旨在捕捉各种高频和低频单词感知的微妙变化，包括这些感知随时间的获得和丧失。实验结果表明，该方法在四种语言的 SemEval2020 二元分类任务中显著超过了以前的方法。此外，我们展示了该方法作为一种多功能可视化工具，在语言内部和语言之间设置中检测语义变化的能力。我们已公开提供代码和数据。

Feb, 2024

本文提出了一种无监督的方法来区分名词的意义变化，并通过数字化书籍中的严格时间变化文本数据构建分布式词库网络，将它们分别聚类以获得与不同时间点对应的以词为中心的意义聚类，这种方法可应用于词汇编纂和语义搜索，并经过人工评估和 WordNet 对比，该算法在 48 个样本和 21 个样本分别中正确识别出 60.4％的新出现情况，57％的分裂 / 合并情况，并有 44％的新意义得到 WordNet 验证。

May, 2014

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

本文旨在研究语义演变在文本数据中的检测与分析方法，特别是基于上下文嵌入的新方法，通过对比多个方法的表现以及提出相关改进策略，显著提高了现有方法的性能。

Jan, 2020

通过比较两个不同时期收集的语料库中目标词义的分布，利用预训练的静态感知嵌入自动标注每个语料库中目标词出现的感知 id，并使用不同的差异或距离度量来量化目标词在两个给定语料库中的语义变化，实验结果在 SemEval 2020 任务 1 数据集上显示出，可以准确地利用词义分布来预测英语、德语、瑞典语和拉丁语中词的语义变化。

Oct, 2023

利用大型语言模型生成的上下文词定义作为语义表示，通过比较不同时间段内目标词的分布来检测词汇语义改变的任务中，我们发现生成的定义足够特定和普遍，能够传达充分的信号以对单词集按照其随时间的语义变化程度进行排名。同时，我们的方法在无监督的基于意义的词汇语义变化检测方法中达到或超过了先前的水平。这一方法保持可解释性，允许检查特定转变背后的原因，基于离散的定义作为意义。这是朝着可解释的语义变化建模的又一步。

Jun, 2024

本文讨论了关于词汇语义变化检测的方法，并提出了使用基于 BERT 的上下文化嵌入来对每个目标词的不同出现之间进行聚类，从而量化每个目标词的语义变化水平的方法，并在四种目标语言中取得了良好的表现，超过了所有提供的 SemEval 基线。

Oct, 2020

词义随时间而变化，其中古代语言的小型、稀疏和嘈杂的语料库使得准确建模变得困难，因此量化意义变化估计中的不确定性变得重要。本文介绍了 EDiSC，它是 DiSC 的嵌入版本，结合了词嵌入和 DiSC 以提供优越的模型性能。我们经验证实 EDiSC 在预测准确性、地面真实恢复和不确定性量化方面表现出色，同时还具有更好的采样效率和可扩展性。我们还讨论了拟合这些模型的挑战。

Nov, 2023

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

本研究提出了一种新的方法来检测和可视化主题的趋势，其中使用 k-means 聚类和余弦相似性模型来确定主题的移动路径与方向，并在各种媒体机构的文章数据集上进行了测试。

Sep, 2022