您的位置首页 >人工智能 >

A Survey of Word Sense Disambiguation and Lexical Semantics Methods |词义消歧与词汇语义方法

这篇综述把词义消歧(WSD)和词汇语义整套研究脉络梳理清楚,词义消歧就是一句话里多义词根据上下文选出正确义项,词汇语义则研究词义本身、词义关联、词义演变、语义表示,二者是自然语言理解的底层基础任务,机器翻译、检索、问答、大模型理解都依赖它,文章按照技术路线划分知识驱动、监督学习、半监督 / 弱监督、预训练上下文表示、大模型提示式消歧这几大类,对比各类方案依赖的资源、精度、落地门槛,同时整理 WordNet、SemCor 这类经典词义库和评测数据集,也讨论大模型时代大家争论的一个问题:是不是原生大模型自带上下文理解,词义消歧任务不再需要单独建模,最后点出细粒度义项区分、低资源语言、语义历时变化这些还没解决的难点,适合做计算语言学、NLP 底层理解、知识库构建的研究者快速理清赛道。很多人会误以为大模型看懂句子就等于做好词义消歧,实际上大模型很容易混淆差别很小的义项,缺少显式词义绑定,在检索、翻译场景里依旧会出现歧义带来的错误,所以现在主流方案是把词汇语义知识库和上下文表征融合,而不是直接放弃显式词义建模。

一、词义消歧主流方法对比表

方法类别核心原理优势短板典型代表
知识驱动方法依靠词典、义原、语义网络(WordNet),比对释义、同义词、语义关系不需要标注语料,可解释性强上下文捕捉弱,细粒度区分差Lesk 算法、基于图随机游走方法
监督学习方法用标注好的 <词 - 上下文 - 义项> 数据集训练分类器效果上限高,传统方案里效果最好标注成本极高,标注数据稀缺SVM、朴素贝叶斯、IMS 框架
半监督 / 弱监督方法少量标注种子数据,自举、双语对齐、回标扩充数据降低标注压力,适合资源有限场景容易带入噪声,不稳定Yarowsky 自举算法
预训练上下文表征方法BERT、RoBERTa 等,把上下文向量和词义注释融合能捕捉语境差异,适配多义表达对细粒度义项区分能力有限SenseBERT、KnowBERT
大模型提示消歧方法用提示词引导 LLM 输出义项编号、释义,搭配词义库不用专项微调,开箱即用输出不稳定、幻觉,缺少固定义项空间GPT、Claude 提示式 WSD

二、词汇语义核心研究方向清单

  1. 词义表示:静态词向量、上下文词向量、义项向量、概念对齐嵌入;
  2. 词汇关系挖掘:同义词、上下位、反义、部分整体、蕴含关系抽取;
  3. 词义历时演变:追踪同一个词在不同年代、网络俚语里词义新增、流失;
  4. 多语言词汇语义:跨语言义项对齐,低资源语言词义归纳;
  5. 语义资源构建:词典、义项库、语义图谱、标注数据集搭建。

三、常用词义资源与评测数据集

  • 词义库:WordNet(英文最主流)、BabelNet(多语言)、GermaNet;
  • 经典标注集:SemCor(标准 WSD 评测集);
  • 评测任务:All-Words WSD(全文所有歧义词消歧)、WiC(判断两句话同一个词词义是否一致);
  • 新兴数据集:ST-WSD、BD-LSC,专门覆盖网络俚语、词义变迁场景。

四、当前领域主要挑战

  1. 义项粒度争议:词典划分的细粒度义项,人和模型都很难稳定区分,标注一致性本身就有上限;
  2. 低资源语言难题:绝大多数小语种没有成熟词义库、标注语料;
  3. 大模型隐式语义黑盒:大模型是隐式理解词义,没有显式绑定标准义项,下游检索、知识库没法直接复用;
  4. 动态词义:网络新词、俚语、词义持续变化,静态词义库更新跟不上;
  5. 跨领域适配:专业术语(医疗、法律)的歧义规则和通用文本差异很大。

五、未来研究方向

  • 知识库增强的上下文语义表示,把词典释义、语义关系融入预训练;
  • 少样本、无标注的跨语言词义消歧与词汇语义对齐;
  • 词义变迁自动检测,持续更新动态词汇语义库;
  • 大模型 + 显式词义结构混合方案,兼顾生成能力和可追溯的义项输出;
  • 统一评测基准,同时评估消歧准确率、语义关系召回、词义稳定性。

【相关 FAQ】

问题 1:词义消歧与词汇语义是什么关系,词义消歧属于词汇语义研究吗?

回答 1:词义消歧是词汇语义下一个核心子任务,词汇语义研究词义的表示、关系、演变等更广范围内容,词义消歧专门聚焦在上下文里为多义词匹配正确义项,二者经常配套开展研究。

问题 2:大模型时代还需要单独做词义消歧吗,大模型本身不就能理解词义?

回答 2:大模型可以隐式理解词义,但缺少和标准词义库绑定的显式义项输出,细粒度义项容易混淆,在信息检索、机器翻译、知识库问答这类任务里,依旧需要词义消歧和词汇语义知识做约束。

问题 3:词义消歧里的知识驱动方法和监督方法最大区别是什么?

回答 3:词义消歧的知识驱动方法只依靠词典、语义网络等现成词汇语义资源,不需要标注语料;监督方法依赖大量人工标注好的歧义词上下文义项数据训练,效果通常更好但标注成本很高。

问题 4:词义消歧的 WiC 任务和常规 All-Words 词义消歧任务有什么不一样?

回答 4:All-Words 词义消歧要求给文本里每个歧义词分配词义库里面的指定义项;WiC 任务只需要判断两句话里同一个词是不是同一个词义,不需要对接固定词汇语义义项库,评测形式更简单。

【参考资料】

[2026-11-22](A Survey of Word Sense Disambiguation and Lexical Semantics Methods |词义消歧与词汇语义方法综述)arXiv

[2026-06-01](Can a Large Language Model Replace Humans at Rating Lexical Semantic Relations Strength?)MIT Press

[2026-03-15](The BD-LSC Dataset: Lexical Semantic Change and Slang Word Sense Disambiguation)arXiv

[2025-08-12](Is Word Sense Disambiguation Dead in the LLM Era?)AAAI Publications

[2021-08-19](Recent Trends in Word Sense Disambiguation: A Survey)IJCAI

【免责声明】

本文基于公开综述文献整理词义消歧与词汇语义相关内容,不同词义消歧方法效果受词义库、数据集、模型提示策略影响;大模型消歧结果存在不确定性,内容仅用于学术方向参考,不构成工程落地、模型选型的唯一依据。

今日大家都在搜的词: