- FAMuS：多来源的帧
理解事件描述是语言处理的核心方面，但目前的方法主要集中在单个句子或文档上。跨文档汇总事件信息能提供更丰富的理解。为此，我们介绍了 FAMuS，这是一个新的维基百科段落语料库，用于报告某个事件，并提供与之对应的不同体裁（非维基百科）的源文章。 - 副词，出人意料
本研究认为副词在计算语言学中受到忽视，使用语框语义（Frame Semantics）为副词分析提供了一种有前途的方法，本研究提出的数据集可以有效检验一流的语言模型，并找到了副词意义解释中的系统性差距。
- ACL深层度量学习获取框架成分知识以进行语义框架感知
本篇论文提出了一种利用深度度量学习的方法，通过预训练语言模型对具有框架注释的数据进行微调，提取目标框架元素知识并完成相关聚类操作，实验证明该方法相比现有方法取得了明显的性能提升（基于 FrameNet 数据集）。
- ACL深度度量学习下的语义框架识别
本文提出了一种通过深度度量学习来微调上下文嵌入模型，并将微调后的上下文嵌入应用于语义框架识别的模型，实验结果表明该方法可显著提高聚类评估分数，并且即使训练实例数量较少，也能取得较好效果。
- 开源框架语义解析
该研究介绍了 Frame Semantic Transformer，这是一个开源的 Python 库，它在提高易用性的同时几乎达到了 FrameNet 1.7 的最新水平，使用了一个基于 Propbank 和 FrameNet 样例的 T5 - 利用 FrameNet 中的定义查询模型：一种有效的帧语义角色标注方法
本文提出了一种基于 FrameNet 的查询框架 ArGument Extractor with Definitions，该框架使用 FrameNet 中的框架和框架元素定义来查询文本中的参数，以指导模型学习标签的语义和加强参数之间的交互。 - 应用 FrameNet 于中国诗歌
本文尝试将中国古诗翻译成现代中文，进一步应用中国 FrameNet 和英文 FrameNet 进行比较。最后，对 CFN 和现代中文以及英文 FrameNet 三者进行了总体比较。
- 通过对比损失增强的批量关注，半监督地识别并描述新事件类型
本文提出了一种新的半监督事件类型归纳方法，使用掩蔽对比损失学习事件提及之间的相似性以及通过近似数据中的底层流形来解离已发现的群集，从而实现事件类型归纳和 FrameNet 帧的链接。
- EMNLPSister Help：用于帧 - 语义角色标注的数据增强方法
本文旨在通过提出数据增量方法来解决 FrameNet 在语义方面的短板，该方法通过利用现有的特定于框架的标注来自动标注未标注的同一框架的其他词汇单位。我们的基于规则的方法定义了姐妹词汇单位的概念，并为训练生成了特定于框架的增强数据。在 Fr - ACL介词项目
该研究旨在利用 FrameNet 语料库来消歧及解释介词的意义，进而基于介词的行为（语义角色识别、语法和语义属性）构建完整的数据库，为自然语言处理应用提供更全面、细致的分析。
- ACL具有歧义的众包框架消歧语料库
使用众包方法对维基百科语料库中的 5,000 个词语 - 句子对进行了 FrameNet 语义框架消歧的资源建设，提供了一个基于不同独立注释者之间互相不同意见的置信度分数的框架列表，强调了语义框架之间的重叠和不确定性对于训练和评估自然语言处 - UH-PRHLT 在 SemEval-2016 任务 3 中的表现：结合基于词汇和语义的特征用于社区问答
该论文介绍了 UH-PRHLT 系统，使用词汇和语义相似性来表示文本对实例，使用 BabelNet 和 FrameNet 生成知识图谱，并在三个英文子任务中的实验结果优于随机和 Google 搜索引擎基线，尤其在子任务 B 中获得了最高成绩 - AAAI众包框架消岐中的歧义捕捉
本文介绍了一种使用众包方法收集句子中的框架语义歧义注释的方法，以捕捉注释者之间的不一致性，展示了聚合众包注释的结果高于专家语言学家，强调了需要每个句子有多个注释者的必要性，并讨论了众包工人不能达成一致的情况
- EMNLPNLTK FrameNet API：设计富含语言资源以提高发现性
Python API 结合 NLTK 整合 FrameNet 1.7 词库，既支持程序化处理亦可通过 Python 交互式命令行进行可读浏览。
- 跨语言语义角色标注投影
在 FrameNet 范例下，本文提出了一种基于注释投射的通用框架，它可以相对廉价地自动引发新语言中的角色语义标注。该框架利用了词汇和句法信息来设计投影模型，实验结果表明可以在英汉平行语料库中自动诱导具有高准确度的语义角色标注。
- 用非监督潜变量模型从文本中学习框架
本文使用一种概率潜变量模型来发现语料库中的语义框架，比较该模型与 FrameNet，重点讨论推理问题。