摘要

Def2Vec 提出了一种词嵌入的新范式，通过利用词典定义来学习语义表示。该方法通过从词典定义构建词-文档矩阵，并应用潜在语义分析（Latent Semantic Analysis, LSA），生成兼具优异性能与良好可扩展性的词向量。在词性标注、命名实体识别、短语切分以及语义相似性等任务的评估中，Def2Vec 的表现通常与当前最优模型（如 Word2Vec、GloVe 和 fastText）相当，甚至在某些情况下更优。该模型经 LSA 分解所得的第二个矩阵，使得对未登录词（out-of-vocabulary words）的嵌入扩展变得高效可行。通过有效融合词典定义的优势与基于 LSA 的嵌入方法，Def2Vec 能够生成信息丰富且语义准确的表示，尤其在数据需求显著降低的前提下展现出突出优势。本研究通过引入结构化词汇信息并实现高效的嵌入扩展机制，推动了对词嵌入生成方法的深入理解。