本研究通过使用 MIPVU 方法并创建 CoMeta 数据集，提出了一种进行隐喻检测的具有竞争力的多语种和单语种大型语言模型的方法，同时在英语和西班牙语之间进行了跨语言实验。

Oct, 2022

本文通过统计学和数据分析，探讨了隐喻分析领域的几个问题，进而发现了隐喻的系统性特征以及将其融入自然语言处理（NLP）框架中的可能性。

Sep, 2022

通过忽略潜在的比喻表达或其出现的上下文，本文展示了现有的比喻识别数据集如何被篡改。我们在各种数据集和环境中测试了这一假设，并表明基于语言模型的比喻识别系统在没有完整信息的情况下与使用完整上下文信息的系统具有竞争力，这是由于构建此类数据集的过程引入了对正面和负面类别的不希望的偏倚。最后，我们在从自然语料库中精心抽样且没有存在该偏倚的数据集上测试了同样的假设，使得这些数据集更具挑战性和可靠性。

Nov, 2023

本文提出，语境特征对于更好的隐喻识别非常重要，我们基于多种文档嵌入方法对话语及其周围环境进行表征，使用简单的梯度增强分类器，在不使用其他系统采用的复杂隐喻特定特征或深度网络体系结构的情况下，达到了几乎最先进的 2018 年 VU 阿姆斯特丹隐喻识别任务数据集的结果，并进一步通过质性分析证实了在隐喻处理中需要更广泛的上下文环境。

Apr, 2019

我们提出了 Meta4XNLI，这是一个包含西班牙语和英语隐喻注释的新型并行数据集，用于隐喻检测和解释的任务。通过利用我们提出的语料库，我们通过一系列的单语和跨语言实验来研究语言模型对隐喻的识别和理解能力。我们审查了结果并进行了错误分析，以便理解这些非字面表达如何影响模型的性能。此外，平行数据为研究这些语言之间的隐喻可转移性和翻译对多语言注释资源发展的影响提供了许多潜在机会。

Apr, 2024

本研究提出一种使用大型语言模型（LLM）与扩散模型的人工智能协作框架，旨在从语言隐喻中生成视觉隐喻，以便于传达含蓄含义并进行陈述。经过插图师的评估证明，这种协作模型的前景看好。

May, 2023

使用基于语料库的单词嵌入模型，处理词汇隐喻并生成一个有序候选诠释列表。该模型通过从依存解析语料库中自动提取主题（如 “时间”）和载体（如 “金钱”）组件的搭配来获取候选的含义，并通过语义向量空间来衡量候选诠释与隐喻组件之间的相似度。最后，聚类算法去除了语义相关的重复诠释，从而使其他候选诠释具有更高的排名。在不同的语义标注数据集上进行评估，取得了令人鼓舞的初步结果。

Oct, 2020

研究隐喻与字面表达在情感表达上存在差异的原因，发现隐喻基于更具体的表达方式，因此在情感表达能力上更具优势，并发现字面语言同样可以透过增强具体性来增加情感表达。

Jan, 2023

我们介绍了一项新的视觉 - 语言（VL）任务，描述视频中的隐喻，并提出了一个低资源视频隐喻字幕系统（GIT-LLaVA），该系统在所提出的任务上获得了与现有技术相媲美的性能。

Jun, 2024

本研究旨在基于概念隐喻理论通过控制生成过程并使用两种方法 (词汇级和序列生成模型) 生成有意义的隐喻表达。经过自动化和人工评估，实验结果表明，无监督的 CM-Lex 模型与最新的深度学习隐喻生成系统具有竞争力；而 CM-BART 优于其他所有模型。

Jun, 2021