将符号自然语言理解与语言模型集成用于词义消歧
计算与语言
2025-11-21 v1 人工智能
摘要
词义消歧是自然语言理解中的一个基本挑战。当前方法主要针对粗粒度表示（例如WordNet synsets或FrameNet frames），并需要手工标注的训练数据来构建。这使得对需要更丰富表示（例如基于OpenCyc的表示）进行自动消歧变得困难。我们提出了一种方法，该方法将统计语言模型作为消歧 oracle，不需要任何手工标注的训练数据。相反，符号NLU系统生成的多个候选含义被转换为可区分的自然语言备选方案，用于查询LLM以在给定语言情境下选择 appropriate 解释。选定的含义被传播回符号NLU系统。我们通过对比对人工标注的金标准答案来评估我们的方法的有效性。
引用
@article{arxiv.2511.16577,
title = {Integrating Symbolic Natural Language Understanding and Language Models for Word Sense Disambiguation},
author = {Kexin Zhao and Ken Forbus},
journal= {arXiv preprint arXiv:2511.16577},
year = {2025}
}
备注
16 pages