使用单语嵌入空间自动构建双语词典是机器翻译中的核心挑战，现有的尝试未能考虑语义相关词对于多个空间的相对同构性的影响。为解决这一问题，我们提出了 GRI，通过结合分布式训练目标和注意力图卷积来同时考虑语义相似词对于定义和计算多个空间的相对同构性所需的影响。实验评估表明，GRI 通过提高相对得分达到 63.6% 的平均 P@1 值优于现有研究。我们在此链接上发布了 GRI 的代码。

Oct, 2023

在现代机器学习中，双语词汇诱导（BLI）的方法中，模型学习了语言对的嵌入空间之间的映射。最近，BLI 的检索与排序方法在该任务上取得了最先进的结果。然而，在资源匮乏的环境下，该问题仍然具有挑战性，因为数据非常稀缺。跨语言的词汇变异等因素使得该任务变得复杂。我们认为将额外的词汇信息纳入最新的检索与排序方法应该能够改善词汇诱导。我们在 XLING 上展示了我们提出方法的功效，在所有语言对中，平均提升了 2% 以上的性能，超过了先前的最佳结果。

Apr, 2024

采用几何代数和语义空间的新角度，提出 “语言信息移除” 方法，通过从多语种表示中分离语言身份信息，进一步研究语言无关和语义 - 语言信息分离的问题。该方法简单而高效，只使用简单的线性运算，并在多语种嵌入空间的弱对齐模型上实现了近乎 100％的显着性能提高。在 Amazon Reviews 和 XEVAL 数据集上进一步验证，显示该方法能够提高跨语言转移性能。

Sep, 2021

本文提出了一种名为双重语义关系注意力网络 (DSRAN) 的新型图注意力方法，该方法主要由两个模块组成，分别进行不同层次的语义关系学习，从而提高图像文本匹配的准确性，并在 MS-COCO 和 Flickr30K 数据集上取得了显著优于以往方法的效果。

Oct, 2020

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

本文在结构句法的监督下，通过将预训练 BERT 与关系图卷积网络 (R-GCN) 相结合，提出了一种端到端的关联分辨器，R-GCN 的嵌入在指代任务上优于 BERT 的原始嵌入，从而将 GAP 数据集上的片段 - 上下文基线 F1 分数显著提高了 13.4 个百分点， 解决了现有的指代分辨器存在的性别偏差问题。

May, 2019

提出了一种基于多对抗学习的新方法，用于在远程语言之间诱导跨语言词嵌入，改善了以往单映射方法的性能，特别是对于远程语言的情况

Oct, 2020

本研究提出了一种将静态词向量和上下文表示相结合的机制来改进双语词典归纳（BLI）的表现，结果表明在监督及无监督的基准测试环境下，我们的机制均可提高 3.2 和 3.1 个百分点左右的性能表现。

Jun, 2021

介绍了一种适用于资源匮乏语言的无监督双语词汇表感知方法，该方法仅需要使用高资源语言单语 BERT 进行推理，并在印度次大陆的五种语言中首次发布自动生成的双语词汇表。

May, 2023