Inspicio: Open-Vocabulary, LLM-Based Sense Retrieval for Historical Languages
作者: Michele Ciletti
分类: cs.CL, cs.AI
发布日期: 2026-09-01
备注: 12 pages, 1 figure
💡 一句话要点
提出Inspicio以解决历史语言的词义消歧问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 词义消歧 历史语言 低资源语言 开放词汇 自然语言处理 深度学习 语言模型
📋 核心要点
- 现有的词义消歧方法依赖于源语言的词义库存和映射，这在历史语言和低资源语言中往往不可行。
- Inspicio通过开放词汇检索管道，利用指令调优的LLM生成上下文翻译和候选定义，避免了对源语言词汇的依赖。
- 在实验中，该方法在拉丁语和古希腊语的感知动词测试集上实现了96%的Recall@50，显示出显著的性能提升。
📝 摘要（中文）
词义消歧在英语及少数现代语言中取得了快速进展，但对于大多数历史语言和低资源语言而言，现有方法的假设条件并不成立。本文提出Inspicio，一个开放词汇检索管道，能够将上下文中的词元链接到Open English WordNet的同义词集，而无需任何源语言的词汇表或映射。该方法利用指令调优的LLM生成上下文句子的两个英语翻译、一小组候选定义和一些候选英语词干，驱动混合检索步骤，结合了密集的定义-同义词相似度、稀疏的词干匹配和最大边际相关性重排序。实验结果显示，该方法在拉丁语和古希腊语的感知动词测试集上达到96%的Recall@50，且在跨领域和跨语言设置中表现出竞争力。
🔬 方法详解
问题定义：本文旨在解决历史语言和低资源语言中词义消歧的难题，现有方法依赖于完整的词义库存和映射，导致其在这些语言中的适用性受限。
核心思路：Inspicio的核心思路是构建一个开放词汇的检索管道，通过指令调优的LLM生成上下文句子的翻译和候选定义，从而实现词义消歧，而无需依赖源语言的词汇表。
技术框架：该方法的整体架构包括三个主要模块：首先，使用LLM生成上下文句子的两个英语翻译和候选定义；其次，进行混合检索，结合定义-同义词相似度和词干匹配；最后，应用最大边际相关性重排序以优化结果。
关键创新：Inspicio的创新在于其开放词汇检索的能力，能够在没有源语言词汇的情况下有效链接到同义词集，突破了传统方法的限制。
关键设计：在技术细节上，使用了指令调优的LLM来生成翻译和定义，结合密集和稀疏匹配策略，并通过最大边际相关性重排序来提升检索结果的相关性。
🖼️ 关键图片
📊 实验亮点
在实验中，Inspicio在拉丁语和古希腊语的感知动词测试集上达到了96%的Recall@50，显示出显著的性能提升。该方法在跨领域和跨语言设置中也保持了竞争力，展示了其广泛的适用性。
🎯 应用场景
该研究的潜在应用领域包括历史语言的文本分析、考古学研究以及语言学的跨语言比较。通过提供有效的词义消歧工具，Inspicio能够帮助研究人员更好地理解和解析历史文本，推动相关学科的发展。
📄 摘要（原文）
Word Sense Disambiguation has advanced rapidly for English and a handful of well-resourced modern languages, but it continues to assume the existence of a sense inventory and a word-to-sense mapping in the source language (Navigli, 2026). These assumptions break down for most historical and low-resource languages, whose dedicated WordNets are either incomplete or still under construction. We present Inspicio, an open-vocabulary retrieval pipeline that links tokens in context to synsets of the Open English WordNet (McCrae et al., 2020) without requiring any source-language inventory or mapping. For each occurrence, an instruction-tuned LLM produces two English translations of the surrounding sentence, a small set of candidate dictionary-style definitions, and a few candidate English lemmas. These outputs drive a hybrid retrieval step that combines dense definition-synset similarity, sparse lemma matching, and Maximal Marginal Relevance re-ranking. We evaluate the pipeline across a 6x6 grid of LLMs and sentence-embedding models on a new bilingual set of manually annotated Latin and Ancient Greek perception verbs, on a subset of PREMOVE dataset (Farina, 2025), and on a diachronic sample of Italian. The best configuration reaches 96% Recall@50 on the perception-verb test set, with each component contributing measurable gains, and remains competitive in the out-of-domain and cross-lingual settings.