本研究探讨心理学领域中隐喻言语的抽象性和情感性如何影响篇章层面的隐喻性，并通过语料抽取和众包实验的方式，揭示人类注释者在判断隐喻表达方式及其的原因时使用的文本和感性特征。研究结果表明，与直喻相比，隐喻篇章更加情绪化和抽象化，而前文段中的隐喻性、抽象性和情感性并未对隐喻表达方式的选择产生影响。

May, 2022

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

研究发现现有的对话模型在处理比喻和比拟等修辞语言时存在很大的不足，提出利用外部资源将比喻语言转化为字面意思以提高模型鲁棒性的解决方案。

Oct, 2021

本研究探讨了语言模型在理解比喻和比喻性语言方面的能力，并提出了新的语言理解任务，发现现有语言模型在理解非字面短语方面的表现还有待于进一步提升。

Apr, 2022

本研究提出一种使用大型语言模型（LLM）与扩散模型的人工智能协作框架，旨在从语言隐喻中生成视觉隐喻，以便于传达含蓄含义并进行陈述。经过插图师的评估证明，这种协作模型的前景看好。

May, 2023

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

本研究提出了 “形象化语言图像识别” 数据集，探讨了视觉和语言模型理解多模态形象化语言的难点，并借助基准任务和基线模型初步研究了这一问题。结果表明，所有的模型在多模态形象化语言理解上都不如人类。该数据集和基准任务将促进模型更好地理解形象化语言。

Mar, 2023

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

本文介绍了 MetaCLUE—— 一组用于视觉隐喻的视觉任务，以及收集的高质量且丰富的比喻注释数据集，并对基于注释的最先进视觉和语言模型进行了全面的分析，重点介绍了当前方法在视觉隐喻分类、定位、理解和生成方面的优势和弱点，旨在为开发具有类人创造力的 AI 系统迈出具体的一步。

Dec, 2022

研究隐喻与字面表达在情感表达上存在差异的原因，发现隐喻基于更具体的表达方式，因此在情感表达能力上更具优势，并发现字面语言同样可以透过增强具体性来增加情感表达。

Jan, 2023