解决命名实体中的正交多义性
内容提要
该文综述词义消歧（WSD）研究进展，涵盖利用WordNet上下位关系减少标注需求并提升覆盖率与效率、用BERT提取多义词表征并以单分类器消除未知多义词、基于多语言词典联合训练缓解注释稀缺、用语境化嵌入与Attract-Repel目标改进知识型WSD、提出GAS神经网络模型、构建无歧义词注释数据集提升词义嵌入覆盖、用光泽对齐算法跨词义库训练、基于WordNet分类法解决名词歧义，并讨论语料聚类与低资源语言WSD。
延伸解读
从标注依赖到知识复用：WSD 降低成本的几条路径
文章梳理的多项工作都指向同一现实约束：高质量词义标注语料稀缺。利用 WordNet 上下位关系减少所需不同词义标记数量，或用多语言词典联合训练共享语义表示，都是在不增加人工标注的前提下扩大覆盖。对读者而言，这意味着评估 WSD 方案时，应关注其训练数据来源和标注成本，而不只看评测分数。
预训练模型与知识型方法的互补关系
BERT 被用于提取多义词表征并以单一分类器消除未知多义词，而语境化嵌入结合 Attract-Repel 目标则改进知识型 WSD。两者分别代表监督信号和词汇知识两条路线。文章显示它们并非替代关系：前者依赖标注数据，后者借助词义库结构。实际选型时需权衡标注资源、词义库覆盖和低频词表现。
词义库边界与低频词是持续难点
光泽对齐算法针对训练数据有限和过度集中于 WordNet 等预定义词义库的问题，实验显示其改善了所有词义和低频词预测。这提示读者：WSD 系统的效果不仅取决于模型结构，还受词义库覆盖范围影响。跨词义库对齐和低频词处理，是判断方法是否真正实用的重要观察点。
词义定义随任务而变：早期视角仍有参考价值
文章收录的早期研究提出从语料库聚类引申词义，并强调词义相对于任务确定，反对用一般语义资源统一描述英语、法语等语言的词义。这一视角提醒读者，WSD 并非只有 WordNet 式固定词义库一条路；在低资源语言或特定任务中，按目的聚类语料可能更贴合实际需求，但也意味着结果的可比性需要谨慎看待。
Q&A
词义消歧中如何减少对人工标注数据的依赖？
文章提到多种方法：利用WordNet上下位关系减少所需的不同词义标记数量；基于多语言词典联合训练，将多种语言的注释共同训练以缓解注释稀缺；为无歧义单词提供注释并构建UWA数据集；采用光泽对齐算法跨词义库训练模型。
BERT在词义消歧中是如何应用的？
文章提出使用BERT提取更好的多义词表征用于词义消歧，并探索了几种BERT和分类器的组合方式。通过使用单一分类器训练所有词语的语义定义，使模型能够消除未知的多义词，在标准英语全词WSD评估中取得了最先进的结果。
知识型词义消歧有哪些改进方法？
文章提出基于词汇知识的语境化嵌入模型，将相关语义的词义和上下文靠近，不相关的远离，使用Attract-Repel目标函数和自训练目标函数调整嵌入，在知识型词义消歧方面取得了最新前沿成果。
如何解决多语言词义消歧中的注释稀缺问题？
文章提出基于多语言词典建立知识和监督为基础的多语言词义消歧系统，利用统一的语义表示，将多种语言的注释进行共同训练，从而解决注释稀缺问题，并在SemEval-13和SemEval-15数据集上展示了有效性。
有哪些神经网络模型被用于词义消歧？
文章提到GAS神经网络模型，在词汇资源和上下文信息的共同作用下实现更好的词义消歧效果。此外，BERT也被用于提取词义表征并结合分类器进行消歧。
光泽对齐算法在词义消歧中有什么作用？
光泽对齐算法采用词义从不同词义库中匹配相同词义的定义句子（术语），并使用这些对齐的库训练模型以确定目标单词在上下文中的语义等效性，解决了有限的训练数据和集中于WordNet等预定义词义库的问题，改善了所有词义和低频词义的预测。
