本研究探讨了一种无监督信息提取场景下的同义词识别方法，它引入了可扩展的基于概率关系模型的 Resolver 系统，其在使用来自网络的两百万断言集进行测试时，对于确定同一对象和关系的任务，分别具有 78% 和 90% 的准确度和 68% 和 35% 的召回率，而且可以通过一些变化提高效果。此系统还扩展了处理多义名词的能力。

Jan, 2014

本研究提出了一种基于图的方法，利用同义词词典和词嵌入诱导同义词集。首先，我们建立了一个从常见资源（例如Wiktionary）中提取同义词的加权图。其次，我们应用词义归纳来处理有歧义的单词。最后，我们将有歧义输入图的已消除歧义版本聚类到同义词集中。虽然方法简单，但在三个由人工构建的大规模词汇资源衍生的英语和俄语的黄金标准 数据集上，在F-score方面表现出优秀的结果，超越了五种有竞争力的最新方法。

Apr, 2017

该文研究了无监督的机器翻译模型，提出了利用对手生成网络对词嵌入空间进行自对齐和对齐生成双语词典，但对于形态丰富的语言，无监督双语词典的表现会受到很大限制，该研究通过利用弱监督从同一词来构建词典，建立了无监督双语词典表现和图相似度的相关性。

May, 2018

SynSetMine是一个新的框架，旨在使用外部知识库中的示例集作为远程监督，从给定的词汇表中有效地生成实体同义词集，并包括两个新颖的模块：(1)一个集-实例分类器，(2)一个集生成算法。

Nov, 2018

该论文提出了一种多环境下的同义词发现框架，使用分布式假设和神经网络模型SYNONYMNET，从自由文本语料库中检测出实体的同义词，以提高实体消歧或知识图谱规范化等任务的效果和稳健性。

Dec, 2018

本文提出一种名为SynSetExpan的NLP框架，该框架能够同时进行实体集扩展和同义词发现两项任务，二者相互促进，通过众包打造了第一个大规模的同义词增强集扩展数据集SE2，实验表明SynSetExpan在处理这两项任务时均具有效性。

Sep, 2020

本文探讨了一种新的语义分析方法，将其表述为依存句法分析任务，应用于为句法分析开发的基于图形的解码技术。实验相同的预训练变压器编码器在TOP数据集上，比较了不同的解码技术，包括训练数据有限或只包含部分注释示例的情况。结果表明，与序列解码器相比，我们的基于图形的方法在标准情况下具有竞争力，并在数据效率和可用部分注释数据的情况下提供了显着的改进。

Sep, 2021

使用新型的具有实体感知的适配器结构，将多领域的同义词知识注入预训练语言模型，既可解决同义词语义模糊性的问题，又不会破坏 PLM 的原始语义理解，从而能有效提升各类文本任务的性能。

Nov, 2022

我们研究了预训练语言模型是否包含多种具有关键作用的子网络，并提出了一种多目标可微的权重掩蔽方案，以准确删除模型中特定的知识，从而使得模型保留对语言和其他记忆性关联知识的建模能力，但在训练后，其表达被删除知识的能力降低，对需要这些已删除知识的任务产生性能下降。

Oct, 2023

通过本文，我们引入了概念归纳这个非监督任务，从数据中学习一组定义概念的词语软聚类，该任务概括了词义归纳的任务。我们提出了一种双层方法来进行概念归纳，充分利用了本地词元为中心和全局跨词库视角来引导概念的生成。我们在SemCor的注释数据上评估所得到的聚类，并获得了良好的性能（BCubed F1大于0.60）。我们发现在我们的设置中，本地和全局层次相互有益于概念和词义的生成。最后，我们创建了表示我们引入的概念的静态嵌入，并在上下文任务中使用它们，取得了与现有技术相媲美的性能。

Jun, 2024