TreeMatch是一个完全无监督的词义消歧系统，利用特定领域知识库和依赖知识，显著提高了消歧精度，测试结果优于最频繁选择基线。

本研究探讨了词义消歧（WSD）在实际文本中的应用难题，提出了词义链接（WSL）任务，并采用基于变换器的架构以提升消歧义效果，研究表明该方法有助于更好地整合词汇语义于下游应用。

本研究评估了多种大型语言模型在瑞典语词义消歧中的表现，结果显示在有训练集的情况下，模型的准确度低于最佳监督系统，但高于无监督系统。此外，人类撰写的词义定义显著提高了模型的准确性。

该论文研究了自然语言处理中词义消歧的技术，包括深度学习、词汇资源和知识图谱的方法，并引入了词义扩展等新方法。讨论了生物医学消歧和认知隐喻的重要性，指出词义注释语料库稀缺等挑战。未来研究方向包括大型语言模型和多语言词义消歧系统。

本研究提出了一种新的知识蒸馏方法，通过结合神经网络和词汇知识库，提供大规模模型的高效替代方案。研究介绍了两种基于多个教师网络预测权重的技术和一种词义消歧方法。结果显示，词汇预训练方法在不增加参数的情况下提升了自然语言理解任务的性能，并在剽窃检测中表现更佳。

阿拉伯语自然语言理解（ArabicNLU 2024）共享任务概述，重点关注词义消歧和地点提及消歧两个子任务。共享任务提供了新颖的数据集，最终评估阶段只有三支团队参加，最高准确率为77.8%和最高MRR@1为95.0%。该共享任务促进了不同技术的评估和比较，并为阿拉伯语NLU技术的发展提供了宝贵的见解和资源。

研究分析了使用意象语言表达的厌女情绪，探讨了中性词汇负面含义与歧视女性的关系。通过注释1,200个意大利推文中的贬义词汇和句子级别的厌女情绪，研究者发现词义消歧是厌女情绪检测的一个有前景的初步步骤。此外，研究者还通过上下文词嵌入分析和提示，对贬义词汇的理解进行了研究。

该研究设计了一种词义消歧系统，使用主题模型，能够在上下文单词数增加的情况下扩展。在5个英语全单词WSD数据集上的评估表明，该方法优于当前最先进的无监督知识为基础的WSD系统。

该论文提出了一个基于语言学动机和技术相关的希腊自然语言处理评估套件，引入了四个专家验证的评估任务，特别针对自然语言推理、词义消歧和隐喻检测。同时，确认了任务的挑战性，并强调希腊 NLP 生态系统需要加速进展以与当代主流研究保持同步的需求。

该研究提出了一种基于RoBERTa的隐喻检测模型ContrastWSD，结合了隐喻识别和词义消歧，通过对比上下文意义和基本含义来确定隐喻使用。该模型利用WSD模型的词义，优于其他方法在基准数据集上的表现。