本研究提出了一种新颖的2层次SimCSE微调模型，结合无监督与监督方法，针对情感分析和语义文本相似性任务进行实验，模型在语义文本相似性任务中表现优异，平均得分达到0.742。

本文介绍了一种新型的二维母婴句子嵌入模型，具有灵活的嵌入尺寸和层数设置，在语义文本相似性任务中表现优越。该模型能够在多语言和多模态数据中有效提升嵌入质量，并在生物医学文献中表现出色。通过对不同阿拉伯语方言的分析，揭示了词汇和句法依赖的学习特点。

本文介绍了多种对比学习框架，如SimCSE、InfoCSE和DebCSE，显著提升了句子嵌入性能，适用于语义文本相似性任务。研究表明，无监督学习和新颖的样本选择方法能有效提高模型质量，推动句子表示学习的发展。

本文提出了一种基于难度的模型评估方法，通过语义文本相似性评分和深度度量学习框架，提高了模型性能评估的准确性。研究表明，该方法在多个数据集上表现优异，解决了钢材组织分类的主观性问题，达到了96%的准确率。同时，探讨了数据集粒度对学习难度的影响，提出了新的样本难度测量方法，推动了神经排序模型的研究。

该文介绍了一种名为自监督跨视图训练（SCT）的框架，用于缩小大型和小型预训练语言模型（PLM）之间的性能差距。SCT在7个语义文本相似性（STS）基准测试中，与5个基准和最先进的竞争对手相比，在21个案例中的18个中胜过竞争对手，对于参数少于100M的PLMs表现出色。