基于人类知识的深度神经网络训练方法通过使用人类认知模型构建深度神经网络训练模型，采用现有人类知识信息构建了多级分层深度学习算法，并有效解释了神经网络的隐藏信息。

Jan, 2024

通过知识蒸馏和提示学习，我们设立了一种为隐喻检测任务设计的提示学习模板，使得模型能够准确推断目标词的上下文含义，并使用先验知识的教师模型生成有意义的软标签，从而使得模型能够更好地应对数据稀疏性和过度自信的问题，并在多个数据集上取得了最新的实验结果。

Mar, 2024

本文介绍了第一个设计用于捕捉隐喻组合的深度学习架构，并表明该架构在隐喻识别任务中优于现有方法。

Sep, 2017

研究了在预训练的深度 Transformer 网络中注入谓词的语义 - 句法信息对其语言能力及事件提取任务表现的影响。结果表明这一方法能够提高英语及其他语言的事件提取任务性能。

Dec, 2020

探索将知识图谱注入 Bert 模型的微调阶段来提高语言理解，并通过实验证明注入相关高质量知识对于特定任务有显著的性能提升。

Jun, 2022

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

本文概述了最近的基准测试、相关知识资源和最先进的学习和推理方法，以支持更好地理解自然语言理解领域。

Apr, 2019

本文研究了一种通过数据增强注入语言知识以改善单词嵌入的方法，并对其对词嵌入的内在特征和下游文本分类任务的影响进行了系统评估。

Oct, 2020

对 VUA 隐喻数据集进行分析发现，很多隐喻对下游任务的性能产生很小的影响，因此需要将研究者的注意力转移到那些具有挑战性的隐喻上。为了识别出难度较大的隐喻，本文提出了一个自动化流程，并对各种热门 NLP 系统的机器翻译准确率降低了 16％、问答性能降低了 4％、自然语言推理降低了 7％、隐喻识别回忆率降低了超过 14％。

Jan, 2024

本文针对非萃取式常识问答（QA）这一具有挑战性的 AI 任务进行了探讨，对最近的常识 QA 方法、流行的知识资源和知识融合方法进行了系统分析，并研究了多个常识数据集上的基准测试。结果表明，注重知识融合的注意力注入方式似乎是一种较好的选择，并且知识库与数据集之间的领域重叠度对于确定模型的成功程度具有至关重要的作用。

Oct, 2019