ExpandNet：基于词典的跨语言词义投影系统

阿尔伯塔大学NLP实验室开源的ExpandNet系统，旨在解决多语言NLP领域语义标注资源稀缺问题。该系统通过翻译-对齐-投影三步流程，将源语言词汇和语义标注自动转换为目标语言等价形式，支持多语言语义资源扩展，相关成果被收录于第39届加拿大人工智能会议（Canadian AI 2026）论文集。

自然语言处理领域中，语义标注资源（如词义消歧语料库）稀缺制约多语言NLP发展。多数高质量标注数据集中于英语等少数语言，数千种语言缺乏相应资源。如何将资源丰富语言的语义知识迁移到匮乏语言，是计算语言学核心挑战之一，ExpandNet系统为此设计。

ExpandNet采用三步流程：

1. 句子翻译：支持Helsinki-NLP神经网络模型和OpenAI GPT系列，可手动提供翻译跳过自动步骤；
2. 词对齐：核心环节，提供SimAlign和DBAlign算法，DBAlign需双语词典指导提升准确性；
3. 语义投影：利用对齐信息投影语义标注，通过词性、命名实体、词典过滤及未登录词处理确保质量。

ExpandNet特色包括：

• 模块化设计：三步流程可独立运行，支持优化或替换特定步骤；
• 多语言支持：内置英语、西班牙语、法语、中文等spaCy模型；
• 评估工具链：通过BabelNet生成目标语言金标准数据，支持定量评估投影质量。

ExpandNet应用场景：

• 学术研究：为跨语言语义研究提供标准化工具和基准；
• 工业应用：降低多语言NLP系统成本，无需从头标注训练数据；
• 具体场景：多语言词义消歧、跨语言检索、机器翻译改进、低资源语言处理。

ExpandNet采用Python实现，依赖spaCy完成基础NLP任务，支持多进程并行提升效率。处理多词表达式用下划线连接含空格词元；投影步骤采用保守策略，优先保证结果可信度。各步骤提供详细命令行参数，用户可灵活调整。

ExpandNet是跨语言语义迁移领域重要进展，以词典驱动的对齐和投影方法平衡准确率与灵活性。其模块化设计和完善文档为后续改进提供基础。未来随更多语言词典资源积累和翻译质量提升，有望在构建多语言语义基础设施中发挥更大作用。