摘要
如今，监督式系统已成为词义消歧（Word Sense Disambiguation, WSD）的标准方法，其核心组件通常为基于Transformer的语言模型。然而，尽管这些系统已取得前所未有的性能，几乎所有现有方法都依赖于一个限制性假设：在给定上下文的前提下，每个词的词义消歧可独立进行，而无需考虑其他词语的词义选择。为克服这一局限并摒弃该假设，本文提出一种全新的WSD方法——连续词义理解（CONtinuous SEnse Comprehension, ConSeC）。该方法基于近期将WSD重新定义为文本抽取任务的范式，将其适配至我们的建模框架，并引入一种反馈机制，使得目标词的消歧不仅依赖于其上下文，还可显式依赖于邻近词语所分配的词义。我们在英文WSD任务上对ConSeC进行了全面评估，分析其各组成部分的作用，结果表明其显著超越所有现有方法，刷新了该任务的最新技术水平。此外，我们进一步考察了ConSeC在跨语言场景下的表现，涵盖八种语言，覆盖从资源丰富到资源匮乏的不同语言类型，实验结果表明其在多数情况下均显著优于先前系统。相关代码已开源，地址为：https://github.com/SapienzaNLP/consec。