揭示LLMs的隐喻理解：探讨概念无关性、上下文利用与句法影响
计算与语言
2025-10-07 v1 人工智能
摘要
隐喻分析是由上下文和外部因素塑造的复杂语言现象。虽然大型语言模型(LLMs)在知识整合、上下文推理和创造性生成方面表现出先进能力，但其隐喻理解机制仍不充分探索。本研究从三个角度考察LLMs的隐喻处理能力：(1)概念映射：使用嵌入空间投影评估LLMs如何映射目标领域中的概念（例如，将“fall in love”误解为“drop down from love”）；(2)隐喻-字面存储库：分析隐喻词及其字面对应词，以识别内在的隐喻知识；(3)句法敏感性：评估隐喻句法结构如何影响LLMs的性能。我们的发现表明，LLMs会生成15%-25%概念无关的解释，依赖于训练数据中的隐喻指示器而非上下文线索，并且对句法异常比结构理解更敏感。这些见解凸显了LLMs在隐喻分析中的局限性，呼吁更健壮的计算方法。
引用
@article{arxiv.2510.04120,
title = {Unveiling LLMs' Metaphorical Understanding: Exploring Conceptual Irrelevance, Context Leveraging and Syntactic Influence},
author = {Fengying Ye and Shanshan Wang and Lidia S. Chao and Derek F. Wong},
journal= {arXiv preprint arXiv:2510.04120},
year = {2025}
}