致向概念：基于情境化语言模型的概念诱导

多义性和同义性是词汇歧义中两个关键且相互关联的方面。虽然这两种现象在词汇资源中广泛记录并在 NLP 中得到广泛研究，已有专门系统处理，但在实际问题中往往被独立考虑。许多处理多义性的任务（如词义消歧或词义诱导）强调词语含义的作用，而同义性的研究则根植于概念研究，即跨词汇表共享的含义。在本文中，我们提出概念诱导（Concept Induction）这一无监督任务，通过从数据中学习软聚类来定义一组概念。该任务概括了词义诱导。我们提出一种双层方法，利用局部的以词义为中心的视角和全局的跨词汇表视角来诱导概念。我们在 SemCor 的标注数据上评估所得聚类，取得良好性能（BCubed F1 超过 0.60）。我们发现局部和全局层次在本 setting 下相互促进，既能诱导概念，也能诱导词义。最后，我们创建表示所诱导概念的静态嵌入，并在词语上下文任务中使用，取得与 SOTA 相当的性能。