論文の概要: PunGraph: Retrieval-Enhanced Phonetic-Semantic Graph Reasoning for Pun Understanding

• arxiv url: http://arxiv.org/abs/2609.16557v1
• Date: Tue, 15 Sep 2026 02:54:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.318932
• Title: PunGraph: Retrieval-Enhanced Phonetic-Semantic Graph Reasoning for Pun Understanding
• Title（参考訳）: PunGraph:Pun理解のための検索機能強化音声-セマンティックグラフ推論
• Abstract要約: 名詞は、複数の意味を伝えるために音韻的類似性と意味的あいまいさを利用する、難解な図形言語である。 句理解のための検索強化知識グラフフレームワークである textbfPunGraph を提案する。 PunGraph は Unisyn 音声辞書、IPA および G2P 表現、WordNet 定義を用いて音声-意味語彙グラフを構築する。
• 参考スコア（独自算出の注目度）: 15.938285037969315
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: 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.
• Abstract（参考訳）: 名詞は、複数の意味を伝えるために音韻的類似性と意味的あいまいさを利用する、難解な図形言語である。 大きな言語モデル(LLM)は強力な言語理解能力を示すが、音韻モデルや制御不能なエンドツーエンド生成のため、句の推論に苦慮している。 句理解のための検索強化知識グラフフレームワークである「textbf{PunGraph}」を提案する。 PunGraph は Unisyn 音声辞書,IPA および G2P 表現,WordNet 定義を用いて音声-意味語彙グラフを構築し,構造化された候補空間内で LLM 推論を制約するために候補単語や感覚を検索する。 さらに,5,730の注釈付きヘテログラフとホモグラフの句を含む新しい大規模データセットである「textbf{WebPun}」を紹介した。 SemEval-2017 と WebPun の実験では、PunGraph は小規模 LLM の性能を一貫して改善し、強力なプロプライエタリモデルに対する競合的な結果をもたらすことが示されている。 さらに分析したところ、検索誘導音声と意味的制約は、句解釈における一般的な推論誤差を効果的に低減し、構造化知識とLLMを統合する利点を浮き彫りにした。 コードとデータセットはhttps://github.com/ysu132/PunGraphで公開しています。

関連論文リスト

• Structurally Speaking: Motif-Oriented Graph Captioning through Bidirectional Graph-Text Translation [21.77596000012504]
  グラフキャプションは、グラフ構造を理解するのに役立つはずだ。 有用なグラフキャプションは、接続性を認識可能なモチーフに抽象化する。 本稿では、明示的な接続性とモチーフレベルの抽象化の間の変換を導くプロトコルであるStructurely Talkを紹介する。
  論文  参考訳（メタデータ） (2026-09-10T00:13:14Z)
• Can LLMs Fool Graph Learning? Exploring Universal Adversarial Attacks on Text-Attributed Graphs [22.41904611417485]
  テキスト分散グラフ(TAG)は、各ノードのリッチテキストセマンティクスとトポロジ的コンテキストを統合することにより、グラフ学習を強化する。 最近の進歩は、グラフニューラルネットワーク(GNN)やプレトレーニング言語モデル(PLM)といった多様なバックボーンを活用して、TAGの構造情報とテキスト情報の両方をキャプチャしている。 TAGモデルのセキュリティを評価するために、アーキテクチャ全体にわたって一般化される普遍的な敵攻撃をどうやって設計できるのか? BadGraphは,ノードトポロジとテキストセマンティクスを両立させるため,汎用グラフ知識の大規模言語モデル(LLM)を深く取り入れた,新たなアタックフレームワークである。
  論文  参考訳（メタデータ） (2026-03-22T10:15:22Z)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• LLM as GNN: Graph Vocabulary Learning for Text-Attributed Graph Foundation Models [87.68057302738457]
  Text-Attributed Graphs (TAG) は、現実のシナリオにおいてユビキタスである。 大規模言語モデル(LLMs)とグラフニューラルネットワーク(GNNs)をTAGsに統合する努力にもかかわらず、既存のアプローチは分離されたアーキテクチャに悩まされている。 本稿では,グラフ語彙学習に基づくTAGのための汎用GFMであるPromptGFMを提案する。
  論文  参考訳（メタデータ） (2025-03-05T09:45:22Z)
• Graph Chain-of-Thought: Augmenting Large Language Models by Reasoning on Graphs [60.71360240206726]
  大規模言語モデル(LLM)は、特に知識集約的なタスクにおいて幻覚に悩まされる。 既存の研究は、外部知識コーパスから取得した個々のテキスト単位でLLMを拡張することを提案する。 本稿では,グラフを反復的に推論することで,LLMをグラフで拡張するためのGraph Chain-of-thinkt (Graph-CoT) というフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-10T15:41:53Z)
• Fantastic Semantics and Where to Find Them: Investigating Which Layers of Generative LLMs Reflect Lexical Semantics [50.982315553104975]
  本稿では,Llama2という人気言語モデルに対する語彙意味論のボトムアップ進化について検討する。 実験の結果,下位層の表現は語彙的意味論を符号化しているが,上位層はより弱い意味帰納的帰納的帰納的帰納的帰納的帰納的帰納的帰属的帰属的帰属的帰属的存在であることがわかった。 これは、高層層がより良い語彙意味論を得るマスク言語モデリングのような差別的な目的を持つモデルとは対照的である。
  論文  参考訳（メタデータ） (2024-03-03T13:14:47Z)
• Can Language Models Solve Graph Problems in Natural Language? [51.28850846990929]
  大型言語モデル (LLM) は暗黙的なグラフィカル構造を持つ様々なタスクに採用されている。 自然言語をシミュレーションするグラフベース問題解決のベンチマークであるNLGraphを提案する。
  論文  参考訳（メタデータ） (2023-05-17T08:29:21Z)
• Explanation Graph Generation via Pre-trained Language Models: An Empirical Study with Contrastive Learning [84.35102534158621]
  エンドツーエンドで説明グラフを生成する事前学習言語モデルについて検討する。 本稿では,ノードとエッジの編集操作によるグラフ摂動の簡易かつ効果的な方法を提案する。 提案手法は,説明グラフの構造的精度と意味的精度を両立させる。
  論文  参考訳（メタデータ） (2022-04-11T00:58:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。