Сжатие словаря русского языка с помощью омонимов и хроматического числа

В статье, опубликованной на Habr ML 8 августа 2026 г., авторы рассматривают одну из самых «трудных» проблем лингвистики и NLP – избыточность словарей. Традиционные словари фиксируют каждое значение отдельным лексическим элементом, что приводит к огромному объёму данных и замедлению моделей при обучении. \n\nКоманда исследователей предлагает радикально иной подход: сознательно отказаться от однозначности слов и использовать омонимию как средство компрессии. Алгоритм построен на графовой модели, где каждое слово – вершина, а конфликтные значения (нельзя совместить в одном контексте) соединяются ребром. Затем применяется хроматическое число – минимальное количество цветов, необходимое для раскраски графа без конфликтов. Каждому цвету соответствует отдельный «семантический слой», а слова, попавшие в один слой, становятся омонимами.\n\nРезультаты экспериментов на корпусе русского Национального корпуса (≈200 млн токенов) показали, что размер словаря сократился с 150 000 уникальных лемм до 82 000 без значительного ухудшения качества downstream‑задач: точность классификации новостей упала лишь на 0,3 %, а скорость инференса увеличилась в среднем на 27 %.\n\nАвторы также обсудили ограничения подхода: необходимость ручного или полуавтоматического построения конфликтных пар, а также потенциальные сложности при генерации текста, где омонимия может вызвать двусмысленность. Тем не менее, метод открывает новые возможности для экономии памяти в больших языковых моделях и упрощения их развертывания на edge‑устройствах.