在 NLP 中，双语词汇归纳（BLI）是一个核心挑战，它依赖于个体嵌入空间的相对同构性。我们提出了 GARI，它将分布式训练目标与由图形注意网络指导的多个同构损失相结合，以控制不同嵌入空间的相对同构性，并考虑了单词的语义变化影响以定义嵌入空间的相对同构性，实验结果表明 GARI 在阿拉伯语言数据集上的表现优于现有研究，平均 P@1 在领域内和领域不匹配设置下的相对得分分别提高了 40.95% 和 76.80%。我们在此 https URL 放出了 GARI 的代码。

Oct, 2023

本文提出一种通过在 Skip-gram 损失函数中加入全局同构度量来提高单语词向量空间同构性的方法以改进词向量之间的跨语言映射，从而实现对通用数据条件下的双语词典诱导、领域不匹配和训练算法不匹配的提高。

Oct, 2022

该论文提出了一种半监督的双语词汇识别方法（BLISS），该方法使用了一个新的中枢过滤技术，可以放松两个嵌入空间同构假设，利用有限的对齐双语词汇表和更大的未对齐词汇表，实现了令人瞩目的效果。

Aug, 2019

本文提出了一种新的几何方法，通过单语嵌入和双语词典学习双语映射，并将其建模为平滑的黎曼流形上的优化问题，旨在解决双语词典感应和多语言学习中的问题。该方法分解了学习源语言到目标语言的变换，包括学习用于将语言特定的嵌入旋转到公共空间的旋转以及学习在公共空间中对嵌入之间相似性进行建模的相似性度量。结果表明，该方法在双语词典感应和跨语言词相似性任务上优于以前的方法，同时还将该框架推广到了多种语言的共同潜在空间表示上，展示了联合学习处理多语言问题的有效性。

Aug, 2018

本文介绍了一种名为 Graph-RISE 的大规模神经图学习框架，可以训练图像嵌入以区分不同的超精细语义标签，并在图像分类和三元组排名等多个评估任务中优于当前最先进的图像嵌入算法。图 - RISE 在图像检索中有效捕捉了语义，并与最先进的算法相比，在更接近人类感知的细微层面上区分了细微差别。

Feb, 2019

本文提出了一种基于 delta-hyperbolicity 的方法，在超球面的笛卡尔积空间中嵌入词嵌入向量，在此基础上利用 Glove 算法学习无监督的词嵌入，并发现了这种嵌入方式相对于高斯词嵌入的几何意义，同时通过这种新类型几何的平行传送得出新的解决 word analogy 的方法，在各种任务上表现出色。

Oct, 2018

本文研究了欧几里得空间和加权图上节点的情况下双语词汇诱导问题，并展示了结合两种方法的优势。

Sep, 2021

本文将跨语言对应问题直接建模为最优传输问题，通过利用测度恢复算法所产生的词嵌入，使用 Gromov-Wasserstein 距离测量不同语言中单词对的相似度，并证明了该模型在无监督翻译任务中表现良好，效果与当前最先进技术相当。

Aug, 2018

本文阐述了通过将知识图谱嵌入欧几里得空间、双曲空间和高维球面空间，提出了一种基于几何交互方法的知识图谱嵌入（GIE）。实验结果表明，与其他嵌入方法相比，GIE 在三个知识图谱数据集上的表现更加优异。

Jun, 2022

本文提出了一种基于复杂空间中新颖的加权乘积所构建的关系自适应翻译函数的嵌入方法，即 RatE，该方法具有高度的表达能力，可以有效地缓解嵌入歧义问题，并在四个链接预测基准测试中取得了最先进的性能。

Oct, 2020