Scene Abstraction for Lexical Semantics: Structured Representations of Situated Meaning

📄 arXiv: 2605.22542v1 📥 PDF

作者: Yejin Cho, Katrin Erk

分类: cs.CL

发布日期: 2026-05-21

💡 一句话要点

提出场景抽象框架，构建词汇语义的结构化场景表示，提升情境理解。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 词汇语义 情境理解 场景抽象 大型语言模型 少量样本学习

📋 核心要点

  1. 现有词汇语义表示忽略了词语在不同情境下唤起的不同场景和情感联想，缺乏情境感知能力。
  2. 提出场景抽象框架，利用大型语言模型通过少量样本提示，构建词语在特定语境下的结构化场景表示。
  3. 实验表明，该方法能更准确地识别人类对语境中词语的理解，优于传统方法，且场景识别具有较高的一致性。

📝 摘要（中文）

咖啡和茶具有许多相似的属性，但它们会唤起截然不同的情境、氛围和情感联想。词义的这些情境维度是真实且系统性的，但它们在词汇意义的大多数计算表示中仍然是隐式的。我们提出了场景抽象，这是一个用于构建结构化表示的框架，该框架描述了词语在使用语境中参与的解释性场景。每个场景由一个情境场景（事件、实体、设置）和一个以表达为中心的表达概况（参与的事件、可概括的属性、唤起的情感）组成，并通过对大型语言模型进行少量样本提示来实现。我们的贡献有三方面：（1）用于情境化词汇意义的结构化表示框架；（2）COCA-Scenes，一个包含26个关键词的520个使用实例的数据集，用于区分场景识别；（3）来自两个实验的经验证据表明，场景在人类观察者之间可以可靠地识别（82.4%的准确率，比仅文本嵌入高出11.8个百分点），并且我们的场景概况比基于ATOMIC的替代方案更符合人类对语境中词语的解释（在三个语义维度上偏好度为86.4%）。

🔬 方法详解

问题定义：现有词汇语义表示方法主要关注词语的通用属性，忽略了词语在特定语境下所蕴含的丰富情境信息，例如咖啡和茶虽然都是饮品，但它们所代表的场景、氛围和情感联想却大相径庭。现有方法难以捕捉这些细微但重要的情境差异，限制了机器对语言的深入理解。

核心思路：论文的核心思路是通过构建词语的“场景抽象”表示，显式地捕捉词语在特定语境下所关联的事件、实体、环境以及情感等信息。这种场景抽象能够更全面地反映词语的“情境化意义”，从而提升机器对语言的理解能力。论文利用大型语言模型（LLM）的强大生成能力，通过少量样本提示（few-shot prompting）的方式，让LLM生成词语在特定语境下的场景描述。

技术框架：该框架主要包含以下几个模块：1) 情境场景构建：利用LLM生成词语在特定语境下的事件、实体和环境描述。2) 表达概况构建：利用LLM生成词语在特定语境下所参与的事件、可概括的属性以及唤起的情感。3) 场景表示：将情境场景和表达概况组合成一个结构化的场景表示。4) 数据集构建：构建COCA-Scenes数据集，包含多个关键词及其使用实例，用于训练和评估模型。

关键创新：该论文的关键创新在于提出了“场景抽象”这一概念，并将其应用于词汇语义表示。与传统的词嵌入方法相比，场景抽象能够更全面地捕捉词语的情境信息，从而提升机器对语言的理解能力。此外，论文还创新性地利用LLM的少量样本提示能力来构建场景表示，避免了大量的人工标注工作。

关键设计：论文的关键设计包括：1) 使用COCA语料库作为语境来源，保证了语境的多样性和真实性。2) 使用GPT-3等大型语言模型进行少量样本提示，充分利用了LLM的知识和生成能力。3) 设计了情境场景和表达概况两个模块，分别从不同角度描述词语的场景信息。4) 构建了COCA-Scenes数据集，用于评估场景抽象的有效性。

📊 实验亮点

实验结果表明，该方法在场景识别任务中取得了显著的提升，准确率达到82.4%，相比于仅使用文本嵌入的方法，提升了11.8个百分点。此外，在人类对语境中词语的理解方面，该方法的场景概况比基于ATOMIC的替代方案更符合人类的认知，偏好度达到86.4%。这些结果表明，该方法能够更准确地捕捉词语的情境信息，并提升机器对语言的理解能力。

🎯 应用场景

该研究成果可应用于多个领域，例如情感分析、对话系统、文本摘要和机器翻译等。通过更准确地理解词语在特定语境下的含义，可以提升情感分析的准确性，使对话系统能够生成更自然和贴切的回复，改进文本摘要的质量，并提高机器翻译的流畅性和准确性。未来，该方法有望应用于更广泛的自然语言处理任务中。

📄 摘要（原文）

Coffee and tea share many properties, yet they evoke strikingly different situations, atmospheres, and affective associations. These situated dimensions of word meaning are real and systematic, but they remain implicit in most computational representations of lexical meaning. We propose Scene Abstraction, a framework for constructing structured representations of the interpretive scenes that words participate in across usage contexts. Each scene consists of a Contextual Scene (Events, Entities, Setting) and an expression-centered Expression Profile (Engaged events, Generalizable properties, Evoked emotions), operationalized through few-shot prompting of a large language model. Our contributions are three-fold: (1) a structured representation framework for situated lexical meaning; (2) COCA-Scenes, a dataset of 520 usage instances across 26 keywords for distinct scene identification; and (3) empirical evidence from two experiments suggesting that scenes are reliably identifiable across human observers (82.4% accuracy, +11.8 pp over text-only embeddings) and that our scene profiles more closely align with human interpretation of words in context than ATOMIC-based alternatives (86.4% preference across three semantic dimensions).