计算词汇语义变化的挑战

Jan, 2021

Challenges for Computational Lexical Semantic Change

Simon Hengchen, Nina Tahmasebi, Dominik Schlechtweg, Haim Dubossarsky

TL;DR本章节介绍了在计算科学和语言学领域日益增长的兴趣中，对大规模历时文本数据建模和检测语义变化的主要方法，大多数方法都使用神经嵌入，虽然神经模型是易于建模历时文本的主要原因之一，但在解决问题的许多方面距离理想状态还有很远的路要走，该领域有着若干个开放和复杂的挑战。

Abstract

The computational study of lexical semantic change (LSC) has taken off in the past few years and we are seeing increasing interest in the field, from both computational sciences and →

lexical semantic change diachronic text neural embeddings computational study linguistics

发现论文，激发创造

词汇语义变化的计算方法综述

介绍了最近计算技术中应用到词汇语义变化的方法与工具，着重研究了语义变化的历时概念变化扩展。

Nov, 2018

语义变化计算的现状

该论文评述了语义变化计算在计算语言学领域中的发展现状，提出了一个框架，总结了该领域的五个关键组成部分：历时语料库、历时词义表征、变化建模、评估数据和数据可视化，并指出了该领域存在的核心问题。

Jan, 2018

语义变迁的计算建模

该研究论文介绍语义变化的计算建模方法，对不同类别的模型进行优缺点讨论，探讨了语义变化计算研究的重要方面与评估技术。

Apr, 2023

SemEval-2020 任务 1：无监督词汇语义变化检测

第一项共享任务的结果，提供了评估框架和高质量的英语，德语，拉丁语和瑞典语手动注释数据集，解决了词汇语义变化检测领域中评估问题的压力，并吸引了 33 个团队提交了 186 个系统。

Jul, 2020

基于大型语言模型的词汇语义变化检测评估

引入大型语言模型（LLMs）进入词汇语义变化检测领域，提出了新的提示解决方案和全面评估，填补了研究领域中对 LLMs 应用的空白。

Dec, 2023

词汇语义变化探测

本文提出从变化检测到变化发现的新方向，重点在于发现全文词汇中的新单词含义变化。通过对最近发表的德语数据进行深度调整，研究人员证明了两种模型都可以成功地应用于发现正在经历含义变化的新单词。此外，还提供一个几乎全自动化的框架用于评估和发现。

Jun, 2021

通过词语替换分析语义变化

我们通过研究由词汇替换引入的意外上下文的影响，建模了语义变化，并提出了一种替换模式作为可解释的语义变化模型，同时还首次评估了使用 LLaMa 进行语义变化检测的方法。

Apr, 2024

历时词向量和语义漂移：一项调查

本文综述了当前关于使用预测型词嵌入模型追踪词汇语义时序变化和语义漂移检测的学术研究现状，并讨论了该领域的挑战和应用前景。

Jun, 2018

上下文化语言模型用于语义变化检测：经验教训

本文研究使用基于上下文嵌入方法进行检测历时语义变化的可能存在的输出错误。通过引入单一方法并进行深入的分析，作者发现这种方法可能会将词汇的词典含义变化与上下文语境的变化混淆，同时将词汇实体的句法和语义方面合并在一起。本文提出了一些解决这些问题的未来可能方案。

Aug, 2022

自我监督的语义转移：单语词嵌入任务的模拟学习方法

本文提出了一种自监督的方法，通过在输入语料库中引入单词向量的扰动来生成训练样本，用于模拟词汇语义变化，以及通过任何对齐方法检测语义变化并选择基准词，具有很大的改进潜力，并在三种不同数据集上进行实验结果展示。

Jan, 2021