PunGraph: Retrieval-Enhanced Phonetic-Semantic Graph Reasoning for Pun Understanding

📄 arXiv: 2609.16557v1 📥 PDF

作者: Yuchen Su, Zijian Huang, Yaotian Shi, Shaoxin Zhong, Ruofan Wang, Mengze Li, Yonghua Zhu, Diana Benavides-Prado, Michael Witbrock

分类: cs.CL

发布日期: 2026-09-15

备注: EMNLP2026 Main Conference

🔗 代码/项目: GITHUB

💡 一句话要点

提出PunGraph以解决双关语理解中的推理问题

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

关键词: 双关语理解 知识图谱 语音建模 检索增强 自然语言处理 大型语言模型 语义推理

📋 核心要点

  1. 现有的大型语言模型在双关语推理方面表现不佳，主要由于语音建模能力不足和生成过程不受控。
  2. 本文提出PunGraph，通过构建语音-语义词汇图并检索候选词，增强LLM的推理能力，提供结构化的推理空间。
  3. 实验结果显示，PunGraph在SemEval-2017和WebPun数据集上显著提升了小规模LLMs的性能，并有效减少了推理错误。

📝 摘要（中文）

双关语是一种利用语音相似性和语义模糊性传达多重含义的修辞形式。尽管大型语言模型（LLMs）在语言理解方面表现出色，但在双关语推理上仍存在困难，主要由于其有限的语音建模能力和不受控的端到端生成。为此，本文提出了PunGraph，一个增强检索的知识图谱框架，用于双关语理解。PunGraph利用Unisyn语音词典、IPA和G2P表示以及WordNet定义构建了一个语音-语义词汇图，并检索候选词或意义，以在结构化候选空间内约束LLM推理。此外，本文还引入了WebPun，一个包含5730个注释异形和同形双关语的大规模数据集。实验结果表明，PunGraph在小规模LLMs上持续提高性能，并在与强大的专有模型的比较中取得了竞争性结果。

🔬 方法详解

问题定义：本文旨在解决双关语理解中的推理问题，现有方法在语音建模和生成控制方面存在不足，导致推理效果不佳。

核心思路：PunGraph通过构建一个语音-语义词汇图，结合检索机制，约束LLM的推理过程，从而提高双关语的理解能力。

技术框架：PunGraph的整体架构包括三个主要模块：语音-语义词汇图构建、候选词检索和LLM推理。首先，利用Unisyn词典和WordNet构建图，然后从中检索相关候选词，最后将其输入LLM进行推理。

关键创新：PunGraph的创新在于将检索增强的知识图谱与LLM结合，形成结构化的推理空间，这与传统的端到端生成方法有本质区别。

关键设计：在设计中，使用了Unisyn词典的IPA和G2P表示，结合WordNet定义，确保了语音和语义信息的有效整合，同时优化了检索算法以提高候选词的相关性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，PunGraph在小规模LLMs上性能提升显著，尤其在WebPun数据集上，准确率提高了约15%，并在与强大专有模型的对比中表现出竞争力，验证了检索引导的推理方法的有效性。

🎯 应用场景

该研究的潜在应用领域包括自然语言处理、智能对话系统和教育工具等。通过提升双关语的理解能力，能够改善人机交互的自然性和趣味性，推动语言模型在更复杂语言现象中的应用。

📄 摘要（原文）

Puns are a challenging form of figurative language that exploit phonetic similarity and semantic ambiguity to convey multiple meanings. Although large language models (LLMs) demonstrate strong language understanding capabilities, they still struggle with pun reasoning due to limited phonetic modeling and uncontrolled end-to-end generation. We propose \textbf{PunGraph}, a retrieval-enhanced knowledge graph framework for pun understanding. PunGraph constructs a phonetic-semantic lexical graph using the Unisyn phonetic dictionary, IPA and G2P representations, and WordNet definitions, and retrieves candidate words or senses to constrain LLM reasoning within a structured candidate space. We further introduce \textbf{WebPun}, a new large-scale dataset containing 5,730 annotated heterographic and homographic puns. Experiments on SemEval-2017 and WebPun show that PunGraph consistently improves the performance of small-scale LLMs and achieves competitive results against strong proprietary models. Further analysis shows that retrieval-guided phonetic and semantic constraints effectively reduce common reasoning errors in pun interpretation, highlighting the benefits of integrating structured knowledge with LLMs. We release our code and dataset at https://github.com/ysu132/PunGraph.