In vielen Ansätzen wurden Daten in neue, abstrakte Räume abgebildet (Einbettungsräume). Ein klassisches Beispiel ist die Verarbeitung von natürlichsprachlichen Texten. Einbettungsräume ermöglichen es, einige Aspekte der Bedeutung von Texten für uns Menschen einzufangen. Beispielsweise können in den Räumen verwandte (nahe) bzw. komplementäre natürlichsprachliche Dokuemnte gefunden werden. Vielfach können aber in diesem Räumen nur Assoziationen über poositiven Aussagen über den Inhalt gebildet werden. Mit auf der IJCAI veröffentlichten neuen Ansatz der Abbildung von Konzepten auf Kegel können auch negative Aussagen zum ersten Mal in einem Einbettungsräum berücksichtigt weren. Somit können in Anwendungen z.B. von Web-Mining-Agenten Dokumente besser gefunden werden, so dass menschliche Erwartungen besser berücksichtigt werden.

Özçep, Özgür Lütfü, Leemhuis, Mena, Wolter, Diedrich: Cone semantics for logics with negation, in: Proceedings of the Twenty-Ninth International Joint Conference on Artificial Intelligence, IJCAI-20, 2020