LANE：面向词义消歧的词汇对抗负采样
计算与语言
2025-11-17 v1
摘要
细粒度词义解析仍是神经语言模型(NLM)的关键挑战，因为它们常常过度拟合全局句子表示，无法捕获局部语义细节。我们提出了一种 novel 对抗训练策略，称为LANE，以解决这一限制，通过有意地将模型的学习焦点转移到目标词上。该方法通过对训练集中备选词的选择性标记来生成具有挑战性的负采样训练示例。目标是迫使模型在相同句子中具有不同标记词时创建更大的可分离性。在词义语义变化检测和词义消歧基准测试上的实验结果表明，我们的方法相对于标准对比学习基线产生更具判别性的词表示，性能得到改善。我们进一步提供了定性分析，表明所提出的负采样导致的表示在更具挑战性的环境中更好地捕获细微意义差异。该方法具有模型中性，可集成到现有表示学习框架中。
引用
@article{arxiv.2511.11234,
title = {LANE: Lexical Adversarial Negative Examples for Word Sense Disambiguation},
author = {Jader Martins Camboim de Sá and Jooyoung Lee and Cédric Pruski and Marcos Da Silveira},
journal= {arXiv preprint arXiv:2511.11234},
year = {2025}
}