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

本研究提出多语言多种修辞语言建模的方法，并在三种常见的修辞语言和七种语言中提供句子级修辞语言检测的基准，实验结果表明该框架优于几种强基线，并可作为其他相关任务的联合建模的蓝图。

May, 2023

本文研究了两种非组合式比喻语言 (成语和比喻) 的解释，并提出了基于人类策略的知识增强模型，从而改善了区分和生成任务的表现，进一步缩小了与人类表现的差距。

Aug, 2021

集合了五个 RTE 数据集的文章，聚焦于比喻语言，示例超过 12500 个，研究发现现有的 RTE 模型无法很好地捕捉比喻语言的不同方面，无法进行语用推断和世界知识推理。该研究提供了一个挑战性的测试平台来评估 RTE 模型。

Jun, 2021

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

该研究探讨了将最先进的语言模型应用于理解和生成中国幽默的能力，特别关注训练这些模型以创建寓言性语言。针对训练方法，研究采用了两种主要方法：对中型语言模型进行微调和对大型语言模型进行提示。经人工标注结果显示，这些模型能够生成幽默的寓言性语言，提示法证明是一种实用且有效的方法。但在生成能与人类创造力匹配的寓言性语言方面仍有改进的空间。

Mar, 2024

提出了一种基于 BART 的 multi-figurative 语言预训练框架 mFLAG，同时提供了五种常见英文比喻形式的自动生成基准，实验结果表明该方法优于强基线，并对不同语言形式之间的关系进行了一些定性分析和思考。

Sep, 2022

对于计算机来识别修辞手法是非常重要的，本论文提供了对于较少人知悉的修辞手法的计算方法的全面概述，突出了从语言和计算的角度看待修辞手法的重要性，详细介绍了不同的修辞手法，包括数据集、定义、修辞功能和检测方法，同时也指出了数据集稀缺、语言限制和基于规则方法的依赖等挑战。

Jun, 2024

本文创建了适用于印地语、印尼语、爪哇语、康纳达语、巽他语、斯瓦希里语和约鲁巴语等七种不同语言的比喻推理数据集，并评估了多语言语言模型对于处理比喻语言的能力。研究发现各语言间的比喻表达依赖于文化和区域概念，并提出了需要在模型训练中暴露于更广泛的语言和文化变化中的必要性。

May, 2023