利用词典示例求解词义消歧与词义归纳

许多低资源语言缺乏求解相关任务所需的大规模任务特定数据集，而现代基于Transformer的大语言模型(LLMs)正是依赖此类数据。另一方面，许多语言资源如词典在此语境下很少被使用，尽管其包含大量信息。我们展示了LLMs如何扩展低资源语言中的现有语言资源以完成两项重要任务：词义消歧(WSD)和词义归纳(WSI)。我们通过相关但更易处理的语境中的词(WiC)任务来求解这两项任务：给定一对句子和一个目标词，分类模型需预测给定词在句子间的意义是否不同。我们证明，一个训练良好的该任务模型能够区分不同的词义，并可适配以求解WSD和WSI任务。使用WiC任务而非直接预测词义的优势在于，WiC任务不需要为每个词义构建包含足够示例的预构造词义库，而这类词义库在低资源语言中很少见。我们证明，WiC任务的句子对可成功地从词典示例中通过LLMs生成。由此得到的预测模型在WiC、WSD和WSI任务上优于现有模型。我们在斯洛文尼亚语上演示了该方法，该语言有单语词典可用，但词义资源极少。