Presence or Absence: Are Unknown Word Usages in Dictionaries?

在这项工作中，我们概述了我们提交给AXOLOTL-24共享任务的针对芬兰语、俄语和德语语言的系统的组成部分和结果。我们的系统完全是无监督的。它利用基于图的聚类方法来预测未知单词用法和词典条目之间的映射关系，用于子任务1，并通过最先进的大型语言模型（如GPT-4和LLaMA-3）生成类似于词典的定义，用于这些新单词用法的子任务2。在子任务1中，我们的系统显著优于基准系统，并通过我们的基于图的聚类方法区分匹配和未匹配（新的）单词用法，提供了映射结果的可解释性。我们的系统在芬兰语和德语中排名第一，在俄语中排名第二。这些结果显示了我们的系统在管理词典条目方面的潜力，特别是用于更新词典以包含新的义项条目。我们的代码和数据已经公开发布。

本论文旨在解决AXOLOTL-24共享任务中的Subtask 1和Subtask 2，即如何预测未知词汇用法与词典条目之间的映射关系以及如何为新词汇用法生成类似于词典的定义。这是否是一个新问题？

本论文提出了一个完全无监督的基于图形聚类的系统，通过利用最先进的大型语言模型如GPT-4和LLaMA-3来生成类似于词典的定义，解决了Subtask 2。对于Subtask 1，该系统通过其图形聚类方法在匹配和不匹配（新颖）词汇用法之间提供了可解释性，比基线系统的表现有了很大提升，并在芬兰语和德语中排名第一，在俄语中排名第二。相比当前领域的研究状况，本论文的思路有哪些新意？

本文的实验设计充分，使用了公开数据集，并将代码和数据公开共享。该系统在更新词典以包含新的语义条目方面具有潜力。值得进一步深入研究的工作包括如何提高系统在俄语中的表现以及如何将其扩展到其他语言。

最近在这个领域中，与本文相关的研究包括：1.《Unsupervised Word Sense Disambiguation with Graph-based Methods》；2.《Unsupervised Word Sense Disambiguation with Neural Language Models》；3.《Unsupervised Word Sense Disambiguation Using Graph-based Clustering》等。