Searching for Sound-Meaning Collisions: Graph-Based Affordance Retrieval and Multi-Evaluator Ranking for Pun Translation at CLEF 2026 JOKER Task 2
作者: Russell Taylor, Adam Brikman, Prateek Awate
分类: cs.CL
发布日期: 2026-08-05
备注: CLEF 2026 Working Notes, 21-24 September 2026, Jena, Germany
💡 一句话要点
提出基于图的翻译方法以解决双关语翻译问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 双关语翻译 声音-意义桥梁 图检索 自然语言处理 多视角生成
📋 核心要点
- 现有双关语翻译方法主要依赖于寻找等价词，导致翻译效果不佳，难以捕捉声音与意义的碰撞。
- 本文提出了一种基于图的检索系统，通过探索语义和音韵邻域，发现新的声音-意义桥梁以支持双关语翻译。
- 实验结果表明，生成器有效利用检索到的机会，评估者集中于强桥梁，音韵碰撞的选择率显著提高，但仍存在检索瓶颈。
📝 摘要（中文）
十五年前，Low提出双关语翻译者应停止寻找等价词，而应探索声音与意义之间的新接触点。本文通过计算模型对这一思想进行了研究。我们将双关语翻译建模为发现、探索和选择的过程。检索系统在语义和音韵邻域中搜索目标语言的可用性，即可能支持新词语游戏的声音-意义桥梁。多个语言模型探索这些机会，生成竞争性翻译，而多视角生成与排名架构则在其中进行选择。我们的主要贡献在于分析检索到的可用性如何在翻译过程中传播。研究发现，生成器积极利用检索机会，评估者逐渐集中于更强的声音-意义桥梁，而确切的音韵碰撞在可用时被选择的比例异常高。同时，许多双关语仍然无法产生可用的可用性，表明检索仍然是计算双关语翻译的主要瓶颈。
🔬 方法详解
问题定义：本文旨在解决双关语翻译中的检索瓶颈问题。现有方法过于依赖等价词，未能有效捕捉声音与意义的结合，导致翻译效果不理想。
核心思路：论文提出通过检索语义和音韵邻域中的可用性，发现新的声音-意义桥梁，从而实现更具创意的双关语翻译。这样的设计旨在打破传统翻译的局限，促进新词语游戏的生成。
技术框架：整体架构包括检索系统、多个语言模型和多视角生成与排名模块。检索系统负责寻找目标语言中的可用性，语言模型生成竞争性翻译，最终通过多视角架构进行选择。
关键创新：最重要的技术创新在于将双关语翻译视为一个探索过程，而非简单的词汇替换。通过检索和生成的结合，能够有效发现新的声音-意义碰撞点。
关键设计：在技术细节上，系统设计了多种语言模型以生成不同的翻译，并采用多视角评估机制来提高选择的准确性。损失函数的设计也考虑了声音与意义的匹配度，以优化生成结果。
🖼️ 关键图片
📊 实验亮点
实验结果显示，生成器能够有效利用检索到的声音-意义桥梁，评估者在选择时更倾向于强桥梁，音韵碰撞的选择率显著提高，表明该方法在双关语翻译中具有明显的优势。
🎯 应用场景
该研究的潜在应用领域包括自然语言处理中的双关语翻译、创意写作辅助工具以及语言学习应用。通过有效的声音-意义桥梁检索，能够提升翻译的趣味性和创造性，具有重要的实际价值和未来影响。
📄 摘要（原文）
Fifteen years ago, Low proposed that pun translators should stop searching for equivalent words and instead search for new points of contact between sound and meaning. In this paper, we investigate that idea computationally. We model pun translation as a process of discovery, exploration, and selection. A retrieval system searches semantic and phonological neighborhoods for target-language affordances: sound-meaning bridges that may support new wordplay. Multiple language models then explore these opportunities by generating competing translations, while a multi-perspective generate-and-rank architecture selects among them. Beyond system development, our primary contribution is an analysis of how retrieved affordances propagate through the translation process. We find that generators actively exploit retrieved opportunities, evaluators progressively concentrate around stronger sound-meaning bridges, and exact phonological collisions are selected at disproportionately high rates when available. At the same time, many puns still yield no usable affordances, suggesting that retrieval remains the central bottleneck in computational pun translation. The resulting picture is remarkably close to the process envisioned by Low. Successful pun translation emerges not from preserving source-language words, but from discovering new places in the target language where sound and meaning collide.