Sense definition generation and how it can improve WSD
Date
2025
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Für Natural Language Processing (NLP, Verarbeitung natürlicher Sprache) sind Online-Wörterbücher essenziell. Allerdings gibt es hierbei ein grundlegendes Problem: Sprache ändert sich! Deshalb ist es kein leichtes, diese Wörterbücher zeitgemäß und relevant zu halten. Ein automatisches System zur Generierung von Wörterbuch-Definitionen wäre nötig, um dies zu bewältigen. Andere Arbeiten haben sich in der Vergangenheit schon mit der Erstellung von Wörterbuch-Definitionen befasst, allerdings wurde hier meist nur ein Textbeispiel als Eingabe genutzt und es wurde kein Fokus auf komplett neue Wörter gelegt. Deshalb haben wir ein Modell zur Generierung von Wörterbuchdefinitionen entwickelt, welches sowohl in der Lage ist, bestehende Definitionsvorschläge zu verbessern, als auch komplett neue zu generieren. Das Verbessern von Definitionsvorschlägen ist vor allem relevant, da wir in Kooperation mit dem Oxford Dictionary arbeiten und von diesen Definitionsvorschlägen von Nutzern zur Verfügung gestellt bekommen haben. Um die Qualität der generierten Definitionen zu testen, nutzen wir zum einen (i) Target Sense Verification (TSV), um WSD zu bewerten, und zudem noch (ii), hierbei wird die Fähigkeit zur Gruppierung von Textbeispielen mithilfe von Word Sense Induction (WSI) mit einem neuen Konzept, welches aus SDG und WSD besteht, verglichen. Die Resultate der Experimente zeigen, dass die von unserem Modell erstellten Definitionen hilfreich für automatische NLP-Systeme wie WSD sind und generierte Definitionen kombiniert mit WSD sogar in der Lage sind WSI zu verbessern.
In Natural Language Processing (NLP), online dictionaries are essential resources; however, with the ever-changing nature of language, it is challenging to keep these dictionaries up to date and relevant. This is why an automatic generation of sense definitions is required to keep dictionaries up to date. Recent research on definition generation has primarily focused on single-usage input at inference time to gather information for a specific sense, rather than generating definitions for unrecorded senses. This is why we propose a model for Sense Definition Generation (SDG) for unrecorded senses that leverages multiple usages to improve sense definition proposals or generate definitions for unrecorded senses from scratch. We evaluated the model on two subtasks using (i) Target Sense Verification (TSV) to assess Word Sense Disambiguation (WSD), and (ii) compare the clustering capabilities of dedicated WSI systems with a novel approach of using SDG and WSD. The results demonstrate the effectiveness of our model at generating sense definitions for unrecorded senses and the benefits for WSD.
In Natural Language Processing (NLP), online dictionaries are essential resources; however, with the ever-changing nature of language, it is challenging to keep these dictionaries up to date and relevant. This is why an automatic generation of sense definitions is required to keep dictionaries up to date. Recent research on definition generation has primarily focused on single-usage input at inference time to gather information for a specific sense, rather than generating definitions for unrecorded senses. This is why we propose a model for Sense Definition Generation (SDG) for unrecorded senses that leverages multiple usages to improve sense definition proposals or generate definitions for unrecorded senses from scratch. We evaluated the model on two subtasks using (i) Target Sense Verification (TSV) to assess Word Sense Disambiguation (WSD), and (ii) compare the clustering capabilities of dedicated WSI systems with a novel approach of using SDG and WSD. The results demonstrate the effectiveness of our model at generating sense definitions for unrecorded senses and the benefits for WSD.