Большие языковые модели в задаче разрешения лексической многозначности на материале русского языка
Main Article Content
Аннотация
Статья посвящена описанию результатов экспериментов в области автоматического разрешения неоднозначности (англ. Word Sense Disambiguation, WSD) на материале русского языка при помощи генеративных (decoder-only) моделей малого и среднего размеров. Использование генеративных моделей напрямую не является оптимальным подходом к решению данной задачи, однако такие модели имеют потенциал в роли семантических разметчиков необработанных данных. Автоматизация семантической разметки текстов при помощи генеративных моделей потенциально способна преодолеть ограничивающий фактор в виде недостатка размеченных данных для обучения энкодеров.
Как показали более ранние исследования, флагманские англоязычные и мультиязычные модели способны достичь более 90%-ной аккуратности на данной задаче, модели меньшего размера – 80%+. Настоящее исследование ставит своей целью установить, решаема ли аналогичная задача на материале русского языка с помощью русифицированных моделей малого и среднего размеров (до 32 B), не требующих большого количества вычислительных ресурсов для использования.
Эксперименты по разрешению неоднозначности проведены как в базовой постановке (one/few-shot prompting), так и в различных модификациях (обогащение контекста словарной информацией – гиперонимами, гипонимами, метками тематической области и т. д., анализ широкого и узкого контекстных окон неоднозначной лексемы, ансамблевые подходы, в которых одна модель валидирует и корректирует предсказания другой). В качестве материала исследования использован русскоязычный размеченный ресурс RuSemCor, семантическая разметка которого соответствует категориям семантической сети RuWordNet.
По результатам экспериментов модели показали себя пригодными для решаемой задачи: все модели выходят за уровень случайного предсказания, а наиболее мощные достигают 80%-ной аккуратности, что сопоставимо с результатами англоязычных моделей того же размера. Более информативным для моделей показал себя широкий контекст неоднозначной лексемы. Подходы с дообогащением входных данных и ансамблевые методы дали значительный прирост в качестве.
Article Details
Библиографические ссылки
2. Navigli R., Ponzetto S.P. BabelNet: Building a very large multilingual semantic network // Proceedings of the 48th annual meeting of the association for computational linguistics. 2010. P. 216–225.
3. Maru M. et al. SyntagNet: Challenging supervised word sense disambiguation with lexical-semantic combinations // Proc. of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP). 2019. P. 3534–3540.
4. Loukachevitch N.V., Lashevich G., Gerasimova A.A., Ivanov V.V., Dobrov B.V. Creating Russian WordNet by Conversion // Proc. of Conference on Computational Linguistics and Intellectual Technologies Dialog-2016, 2016. P. 405–415.
5. Yae J.H. et al. Leveraging large language models for word sense disambiguation // Neural Computing and Applications. 2025. Vol. 37, No. 6. P. 4093–4110. https://doi.org/10.1007/s00521-024-10747-5
6. Sumanathilaka D., Micallef N., Hough J. Glossgpt: Gpt for word sense disambiguation using few-shot chain-of-thought prompting //Procedia Computer Science. 2025. Vol. 257. P. 785–792. https://doi.org/10.1016/j.procs.2025.03.101
7. Kirillovich A. et al. RuSemCor: A Word Sense Disambiguation corpus for Russian // Proc. of the 34th ACM International Conference on Information and Knowledge Management. 2025. P. 6438–6443. https://doi.org/10.1145/3746252.3761624
8. Agirre E., Edmonds P. (Eds.). Word sense disambiguation: Algorithms and applications. Springer Science & Business Media, 2007. https://doi.org/10.1007/978-1-4020-4809-8
9. Mitrofanova O.A. et al. Avtomaticheskoe razreshenie leksiko-semanticheskoi neodnoznachnosti i vydelenie konstruktsii (na materiale Natsional'nogo korpusa russkogo yazyka) // Leksikologiya. Leksikografiya i Korpusnaya Lingvistika. 2013. P. 122–143.
10. Gusev I. Saiga_llama3_8b. Russian Llama-3-based chatbot. URL: https://huggingface.co/IlyaGusev/saiga_llama3_8b (accessed: 29.12.2025).
11. Vikhrmodels/Vikhr-Nemo-12B-Instruct-R-21-09-24. URL: https://huggingface.co/Vikhrmodels/Vikhr-Nemo-12B-Instruct-R-21-09-24 (accessed: 29.12.2025)
12. Vikhrmodels/Vistral-24B-Instruct. URL: https://huggingface.co/Vikhrmodels/Vistral-24B-Instruct (accessed:29.12.2025)
13. mistralai/Mistral-Small-24B-Instruct-2501. URL: https://huggingface.co/mistralai/Mistral-Small-24B-Instruct-2501 (accessed: 29.12.2025)
14. RefalMachine/RuadaptQwen3-32B-Instruct. URL: https://huggingface.co/RefalMachine/RuadaptQwen3-32B-Instruct (accessed: 29.12.2025)
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Представляя статьи для публикации в журнале «Электронные библиотеки», авторы автоматически дают согласие предоставить ограниченную лицензию на использование материалов Казанскому (Приволжскому) федеральному университету (КФУ) (разумеется, лишь в том случае, если статья будет принята к публикации). Это означает, что КФУ имеет право опубликовать статью в ближайшем выпуске журнала (на веб-сайте или в печатной форме), а также переиздавать эту статью на архивных компакт-дисках журнала или включить в ту или иную информационную систему или базу данных, производимую КФУ.
Все авторские материалы размещены в журнале «Электронные библиотеки» с ведома авторов. В случае, если у кого-либо из авторов есть возражения против публикации его материалов на данном сайте, материал может быть снят при условии уведомления редакции журнала в письменной форме.
Документы, изданные в журнале «Электронные библиотеки», защищены законодательством об авторских правах, и все авторские права сохраняются за авторами. Авторы самостоятельно следят за соблюдением своих прав на воспроизводство или перевод их работ, опубликованных в журнале. Если материал, опубликованный в журнале «Электронные библиотеки», с разрешения автора переиздается другим издателем или переводится на другой язык, то ссылка на оригинальную публикацию обязательна.
Передавая статьи для опубликования в журнале «Электронные библиотеки», авторы должны принимать в расчет, что публикации в интернете, с одной стороны, предоставляют уникальные возможности доступа к их материалам, но, с другой, являются новой формой обмена информацией в глобальном информационном обществе, где авторы и издатели пока не всегда обеспечены защитой от неправомочного копирования или иного использования материалов, защищенных авторским правом.
При использовании материалов из журнала обязательна ссылка на URL: http://rdl-journal.ru. Любые изменения, дополнения или редактирования авторского текста недопустимы. Копирование отдельных фрагментов статей из журнала разрешается для научных исследований, персонального использования, коммерческого использования до тех пор, пока есть ссылка на оригинальную статью.
Запросы на право переиздания или использования любых материалов, опубликованных в журнале «Электронные библиотеки», следует направлять главному редактору Елизарову А.М. по адресу: amelizarov@gmail.com
Издатели журнала «Электронные библиотеки» не несут ответственности за точки зрения, излагаемые в публикуемых авторских статьях.
Предлагаем авторам статей загрузить с этой страницы, подписать и выслать в адрес издателя журнала по электронной почте скан Авторского договора о передаче неисключительных прав на использование произведения.