本文介绍了在西班牙语中关于语义变化发现和检测的首个共享任务，并使用 DURel 框架手动注释了西班牙语单词的第一个数据集。该任务分为两个阶段：1）分级变化检测，2）二元变化检测。共有六个团队参加了第一阶段，七个团队参加了第二阶段，最佳结果在第一阶段获得了 0.735 的 Spearman 等级相关性，第二阶段获得了 0.716 的 F1 分数。本文介绍了参赛团队开发的系统，强调了特别有用的技术，并讨论了这些方法的局限性。

May, 2022

第一项共享任务的结果，提供了评估框架和高质量的英语，德语，拉丁语和瑞典语手动注释数据集，解决了词汇语义变化检测领域中评估问题的压力，并吸引了 33 个团队提交了 186 个系统。

Jul, 2020

本文介绍我们在 SemEval2020 任务 1 中创造性的提出了语义变化检测方法，该方法是全自动的，不需要人工干预，且独立于语言；我们利用标准相关分析和正交变换计算语义空间之间的线性变换，并通过比较早期和晚期语料库中目标单词的向量之间的余弦相似度来检测语义变化。

Nov, 2020

自动语义变化方法旨在通过分析词语在历时语料库中的使用来识别其含义随时间的变化。本文分析了在真实的英语和罗马尼亚数据集上创建静态和上下文词嵌入模型（Word2Vec 和 ELMo）的不同策略。通过对英语数据集（SEMEVAL-CCOHA）进行评估，并针对罗马尼亚数据集进行实验来确定模型的性能，并突出该低资源语言中语义变化的不同方面，如含义的获取与丧失。实验结果表明，在选择模型和计算语义变化得分的距离方面，取决于语料库，这是最重要的因素。

Aug, 2023

本文提出从变化检测到变化发现的新方向，重点在于发现全文词汇中的新单词含义变化。通过对最近发表的德语数据进行深度调整，研究人员证明了两种模型都可以成功地应用于发现正在经历含义变化的新单词。此外，还提供一个几乎全自动化的框架用于评估和发现。

Jun, 2021

跨语言语义解析利用最优传输从高资源语言（例如英语）向训练数据稀缺的低资源语言转移解析能力。我们提出了一种新的跨语言语义解析方法，通过显式地最小化概率潜变量之间的跨语言差异来改善自然语言解析，减少训练样本的使用。我们在 MTOP 和 MultiATIS++SQL 两个数据集上评估方法，在少样本跨语言情景下取得了最先进的结果。消融研究进一步揭示了我们的方法即使没有平行输入翻译也能提高性能。此外，我们展示了我们的模型更好地在潜空间中捕获跨语言结构，从而提高了语义表示的相似性。

Jul, 2023

本研究使用零样本和小样本学习进行跨语言情感分析。采用三种语言的 BERT-based 模型进行语种间的情感分类，提出了一种简单多任务模型。通过单任务和多任务实验的零样本和小样本场景对克罗地亚言和斯洛文尼亚情感分析进行评估。

Dec, 2022

该研究提出了一种基于图的聚类方法，旨在捕捉各种高频和低频单词感知的微妙变化，包括这些感知随时间的获得和丧失。实验结果表明，该方法在四种语言的 SemEval2020 二元分类任务中显著超过了以前的方法。此外，我们展示了该方法作为一种多功能可视化工具，在语言内部和语言之间设置中检测语义变化的能力。我们已公开提供代码和数据。

Feb, 2024

本文提出了一种只需弱监督的新型语义场景变化检测方案，该方案引入了具有相关性层的新的孪生网络结构，并采集和标注了一个公开数据集，该数据集用于评估所提出的方法的视角差异的鲁棒性和对语义变化的有效性。

Nov, 2018

通过使用已有的 Word-in-Context（WiC）数据集，我们提出了一种监督式的两阶段语义变化检测（SCD）方法，该方法可预测给定目标词在两个不同文本语料库中是否改变其意义。实验证明，我们的方法在多个语言的多个基准数据集上始终优于以前提出的 SCD 方法，为 SCD 领域建立了新的最先进技术。有趣的是，我们的研究结果暗示，存在着与语义变化相关的专门维度，在意义感知嵌入空间中承载信息。

Mar, 2024