摘要

过去两年间，生成式基于对话的大型语言模型（LLMs）的兴起，推动了开发能够提供接近人类水平对话与推理体验系统的竞争。然而，近期研究表明，这些模型在语言理解方面的能力仍然有限，远未达到人类水平，尤其是在把握词语的上下文语义方面——这是推理能力的核心要素之一。本文提出了一种简单且计算高效的多语言词义消歧（Word Sense Disambiguation, WSD）框架。我们的方法将WSD任务重新建模为基于群代数优化的BabelNet语义网络上的聚类判别分析。我们在多个WSD基准测试中验证了该方法的有效性，取得了所有语言和任务上的新最先进（state-of-the-art）性能，且在词性分类的单项评估中同样表现卓越。值得注意的是，即使在低资源语言场景下，我们的模型也显著超越现有主流方法，同时将参数量减少了72%。