小贴纸，大含义：基于游戏化方法的多语种贴纸语义理解数据集

贴纸虽小，却是一种高度凝练的视觉表达形式，普遍存在于各类即时通讯平台中，并被不同文化、性别和年龄段的人群所接受。尽管贴纸广受欢迎，但由于构建高质量贴纸查询数据集需要大量人力且存在主观性，贴纸检索仍是一项未被充分探索的任务。尽管大语言模型（LLM）擅长一般NLP任务，但在面对贴纸查询生成中微妙的、无形的且高度特定的性质时，它们往往表现不佳。为应对这一挑战，我们提出三步解决方案。首先，我们引入Sticktionary，一个旨在收集多样化、高质量且语境契合的贴纸查询的游戏化标注框架。其次，我们提出StickerQueries，一个包含1,115条英文和615条中文查询的多语种贴纸查询数据集，由60多名贡献者在60多小时内标注完成。最后，通过广泛的定量与定性评估，我们证明我们的方法显著提升了贴纸领域的查询生成质量、检索准确率和语义理解能力。为支持未来研究，我们公开发布了多语种数据集及两个微调过的查询生成模型。