《Applied Sciences》:Bilingual Extraction and Alignment of Indigenous Chinese Linguistic Terminology via Multi-Channel Graph Neural Networks
Hongyue Diao,
Zongyu Zhang,
Sihan Ji and
Hao Wei
编辑推荐:
术语是特定学科、文化或领域使用的专门词汇与表达,通常具有精确含义,旨在准确清晰地描述所指对象。受各国文化、历史等因素差异影响,中华民族本土语言学术语的发展对弥合文化鸿沟、推动中华文化传播具有关键作用。这类术语不仅用于阐释汉语特有词汇、描述独特语言现象,还承载着
术语是特定学科、文化或领域使用的专门词汇与表达,通常具有精确含义,旨在准确清晰地描述所指对象。受各国文化、历史等因素差异影响,中华民族本土语言学术语的发展对弥合文化鸿沟、推动中华文化传播具有关键作用。这类术语不仅用于阐释汉语特有词汇、描述独特语言现象,还承载着中国语言学的核心概念与学术传统,有助于中国文明的全球传播与发展。为实现本土术语的跨语言传播,研究人员构建了覆盖多个语言学子领域的语言学相关双语语料库,以及术语自动抽取与跨语言对齐的新方法。所得语料库包含9个语言学领域的2.2万余对齐句对,为双语术语挖掘提供了坚实基础。基于该资源,研究人员进一步提出多通道图神经网络(Multi-Channel Graph Neural Networks, MCGNN),联合建模语义、句法、序列与共现关联,实现多视角推理,达成更精准的双语术语抽取与对齐。实验结果表明,该方法显著提升了双语术语抽取的准确率与一致性,缓解了语言领域的资源稀缺问题,为跨语言知识共享与学术交流的后续研究与落地提供了坚实基础。
### 研究背景与动因
随着全球文明交流日益频繁,语言作为文化传播的核心载体,中华民族本土语言学术语的准确传播与理解愈发重要。术语是构建专业知识体系的核心语言单元,是表达领域特定概念与思想的关键载体,在翻译研究、信息检索、语义建模等多学科中具有重要价值,术语抽取也逐渐成为计算语言学与跨学科研究的核心任务之一。传统术语研究主要依赖语言学家人工标注语料、构建结构化数据库,该方法虽能保证标注质量,但在跨语言、大规模、多领域场景下存在效率低、一致性差的突出短板。同时,现有自动术语抽取与对齐方法普遍存在三类局限:一是依赖人工构建词典、启发式规则或预训练模型,对新兴领域、新出现术语的适应性不足;二是难以充分捕捉术语在语义、句法、文档层等多维度的上下文关联,多词术语、语义歧义场景下易出现错误;三是双语术语对齐多聚焦词、短语层面的对应,忽略高层语义一致性,易导致术语对对齐失准。为破解上述问题,Hongyue Diao、Zongyu Zhang、Sihan Ji与Hao Wei等研究人员开展了一项研究,相关成果发表于学术期刊《Applied Sciences》。
### 核心研究内容与结论
研究团队首先系统梳理了中国语言学领域大量代表性著作、教材与期刊论文,建立了分层的中华民族本土语言学术语分类体系,涵盖音位学、形态学、语义学、语用学等9个核心子领域,为术语组织与标注提供了统一框架。基于该体系,研究人员构建了标注一致的双语平行语料库,共包含22828对中英句对、136872条标注术语,为术语抽取与对齐模型的训练提供了资源支撑。在此基础上,研究团队提出多通道图神经网络(Multi-Channel Graph Neural Networks, MCGNN)框架,将术语抽取与对齐统一为序列标注任务,通过四个互补的图通道分别建模共现模式、句法结构、语义关联与序列依赖:语义图采用图采样聚合网络(GraphSAGE)编码,捕捉词间的深层语义关联;句法图采用图注意力网络(Graph Attention Network, GAT)编码,建模词间的句法依赖关系;序列图采用双向长短期记忆网络(Bidirectional Long Short-Term Memory, BiLSTM)结合相对位置嵌入编码,捕捉序列依赖与位置信息;共现图采用图卷积网络(Graph Convolutional Network, GCN)编码,引入词频-逆文档频率(Term Frequency-Inverse Document Frequency, TF-IDF)加权强化有效共现信号。顶层连接条件随机场(Conditional Random Field, CRF)解码层对标签序列的全局一致性进行约束,实现端到端的联合训练与预测。
实验结果表明,MCGNN在中文术语抽取、英文术语抽取与双语术语对齐三类任务上均达到最优性能,中文术语抽取F
1值达92.93%,英文达83.38%,类别级术语对齐F
1值达98.39%,词级术语对齐F
1值达91.22%,相比最优基线分别提升0.92、1.02个百分点,显著优于所有对比基线模型。消融实验验证了四个图通道的互补作用,其中语义图对性能贡献最大,移除后中文抽取F
1降至86.85%,英文降至69.97%;统计显著性检验显示,全模型相比所有基线的性能提升均达到p<0.01的显著性水平,证明多通道图融合的提升效果非随机产生。错误分析显示,模型的主要错误包括术语边界识别错误、术语类别混淆、跨语言对齐错误、长复合术语部分遗漏,错误根源主要是汉英语言结构差异、中文形态密度高与英文词汇简单性的差异、语义层次交叉导致的类别混淆,而非标注不一致。
### 关键技术方法(≤250字)
本研究核心技术与方法包括四类:(1)基于分层分类体系的双语平行语料库构建方法与BIO(Begin–Inside–Outside)复合标签标注体系;(2)多通道图神经网络架构,分别采用GraphSAGE、图注意力网络(GAT)、双向长短期记忆网络结合相对位置嵌入、图卷积网络(GCN)作为四个通道的编码器;(3)条件随机场(CRF)全局序列解码层;(4)端到端联合训练框架,将术语抽取与对齐统一为复合标签的序列标注任务,实现跨语言信息的双向传播。
### 研究结果
6.1 性能对比实验结果:MCGNN在中文术语抽取、英文术语抽取、类别级术语对齐、词级术语对齐四项核心指标上均显著优于传统循环神经网络(RNN、LSTM、BiLSTM、BiGRU等)、预训练语言模型(BERT、ERNIE、RoBERTa、XLM-RoBERTa等)及消融后的子模型,相比最优基线有稳定提升,证明多通道图融合与联合建模策略的有效性。
6.2 消融实验结果:移除任意一个图通道均会导致全指标性能下降,四个通道贡献度从高到低依次为语义图、共现图、句法图、序列图,验证了多维度语言特征互补的假设。
6.3 统计显著性检验结果:采用配对Bootstrap检验(10000次重采样)验证全模型与基线的性能差异,所有提升均达到p<0.01的显著性水平,证明性能增益非随机产生。
6.4 错误分析结果:模型错误主要源于汉英语言结构、形态表达与语义层次的固有差异,而非标注质量问题,为后续模型优化指明了方向。
### 研究结论与意义
研究人员指出,本研究提出的多通道图神经网络框架有效整合了多视角语言特征,突破了传统流水线方法误差传播的局限,显著提升了中华民族本土语言学术语的双语抽取与对齐精度。研究构建的分层术语体系与双语平行语料库填补了该领域的资源空白,为后续语言知识表示、术语抽取与跨语言处理研究提供了基础支撑。该研究不仅推进了术语抽取与对齐技术的发展,也为中国语言资源的系统化建设与跨语言学术传播提供了可行路径。未来研究将聚焦优化跨语言细粒度对齐机制、提升模型跨领域迁移能力、进一步扩充术语分类体系,以适配更多语言与应用场景。