本文介绍了一种基于 Bert 语言模型的子类预测方法 BERTSubs，能够有效地执行包括存在限制在内的多种子类预测任务，具有优于已有方法的性能。

Feb, 2022

本文介绍了一个用于评估本体完成方法的基准，并对两种方法的优势和弱点进行了深入分析。我们发现这两种方法确实相辅相成，混合策略取得了最佳的整体效果。我们还发现，即使经过微调，本任务对大型语言模型来说仍然具有很高的挑战性。

Mar, 2024

本文提出了一种基于远程监督的方法，从未注释的语料库中仅使用实体和表面形式之间的映射列表，联合学习实体和文本的嵌入。与仅依赖于人类注释文本或大型知识图谱结构的先前方法相比，实验结果表明，我们的嵌入可更好地捕捉实体的相似性和关联性。

Jul, 2018

本研究介绍了一种名为 LaKERMap 的新型自监督学习本体匹配框架，它利用转换器将概念的上下文和结构信息融入其中，旨在捕捉包括本地和全局交互在内的多种结构上下文。通过使用 Bio-ML 数据集和任务，我们的创新方法显示 LaKERMap 在对齐质量和推理时间方面优于最先进的系统。

Oct, 2023

我们针对高度专业化的科学子领域中，传统方法不能很好地进行文本分类和矢量表示的问题，提出了使用共引作为相似度度量的专业数据集，并结合领域特定微调和专家混合的通用适应性方法，实现了在多个任务上具有高效性的通用 Transformer 网络，显著推进了科学文本分类指标的发展，并有望增强矢量数据库的搜索和编译。

Jan, 2024

本文研究了利用学习表示的空间的内在几何结构来实现自动遵守复杂结构约束的本体 (分层和部分有序结构) 学习的最新工作，并探讨了对一种此类模型的两种扩展，旨在提高通识知识表示文本数据的性能。通过混合学习排序关系和非分层知识，以及利用训练数据的部分有序结构找到在配对训练过程中不好执行的嵌入之间的长距离 triplet 约束，我们发现这两种扩展都优于原始的 order-embedding 模型和其他强基线模型。

Aug, 2017

本文研究利用基于嵌入的方法，利用多语言知识图谱上实体的文字描述，通过共训两种嵌入模型，即一个多语言知识图谱嵌入模型和一个多语言文字描述嵌入模型，进行半监督学习。实验结果表明，该方法在实体对齐任务中的性能随共训迭代而提高，最终明显优于之前的方法。此外，该方法具有零样本实体对齐和跨语言知识图谱完成的良好能力。

Jun, 2018

本文为填补学界在 Meta-embedding learning 系统调查领域的空白着重于分类 Meta-embedding learning 方法，并在讨论其限制和未来研究方向时，探究了该方法在多源嵌入语义中的优势。

Apr, 2022

本文系统回顾了本体嵌入领域的 80 多篇论文，介绍了本体的不同语义以及数学和机器学习的视角下的本体嵌入的定义和特性，并对几种技术解决方案进行了分类和分析，包括几何建模、序列建模和图传播等。此外，还介绍了本体嵌入在本体工程、机器学习增强和生命科学中的应用，并讨论了挑战和未来方向。

Jun, 2024

通过注入本体知识来改进嵌入式大语言模型（embedding-LLM），本研究利用广泛的本体使用和基于对照学习框架，通过医学疾病本体的生物医学文档，展示了提高嵌入式 LLM 在描述疾病领域中的相似性评估能力的实验结果。

May, 2024