自监督词法表征学习：无需标注的高效大规模谱系推断

计算谱系学作为历史语言学的核心工具，在揭示语言演变和亲缘关系方面发挥着不可替代的作用。然而，当试图将这一工具应用于全球规模的语言数据时，传统方法面临着难以逾越的障碍。主要问题在于，基于字符的方法通常需要人工标注同源词（cognacy judgments），这是一项极其耗时且劳动密集的工作，严重限制了数据的规模和处理的自动化程度。同时，现有的推断算法在处理大规模数据集时，往往伴随着巨大的计算成本，使得全球范围内的系统性分析变得不切实际。针对这一痛点，本文的核心贡献在于提出了一种完全自监督的对比学习框架，彻底摆脱了对人工标注和专家知识的依赖。该框架能够直接从原始的国际音标（IPA）转录词表中学习词法表征，实现了从数据到谱系结构的端到端自动化推断。

这一创新不仅解决了数据标注的瓶颈，还通过高效的算法设计大幅降低了计算门槛，为大规模语言谱系研究开辟了一条全新的技术路径，使得在全球尺度上快速、准确地重建语言演化历史成为可能。在技术方法层面，该研究设计了一个精巧的双层对比学习架构，旨在从无序的语音数据中提取具有语言学意义的结构信息。模型的核心输入是未经对齐或标注的原始IPA词表，这要求模型具备直接从语音形式中捕捉规律的能力。为了构建高质量的词法表征空间，作者引入了双重对比目标函数。首先是词级损失（word-level loss），其作用是将语音形式相似但来源不同的词汇在向量空间中组织在一起，形成连贯的局部结构，从而确保模型能够理解语音层面的相似性。其次，为了捕捉更宏观的语言学特征，模型引入了一个辅助的语言级损失（language-level loss）。

这一机制鼓励词法空间不仅反映单个词的语音属性，还要体现所属语言整体的语音系统特性，如音系规则或音位分布。通过这种多层次的学习策略，模型生成的词表征不仅包含了词汇层面的信息，还隐含了语言类型的特征。最终，这些高维词表征被用于计算成对语言之间的距离，进而作为输入构建全局谱系树，实现了从微观词汇表征到宏观语言关系的无缝映射。实验部分在严格的基准测试下验证了该方法的有效性与效率。研究团队利用该框架推断了一棵包含3,399种语言变体的全球谱系树，并采用广义四分体距离（GQD）作为主要评估指标，将其结果与Glottolog参考树进行对比。结果显示，推断出的谱系树在拓扑结构上与参考树具有高度的一致性，性能与多种基线方法相当甚至更优，证明了自监督表征在捕捉深层谱系信号方面的能力。

更为显著的是计算效率的提升，整个推断过程在标准的笔记本GPU上仅需数分钟即可完成，相较于传统方法所需的数天甚至数周的计算时间，实现了数量级的加速。此外，研究还探索了该表征的泛化能力，发现其能够捕捉历时概念稳定性：通过计算不同语言间成对距离的方差，得到的概念稳定性排名与语言学中既定的排名显著相关。消融实验进一步确认了模型设计的有效性，表明移除语言级目标或语音特征向量均会导致GQD指标下降，证实了这两个组件对提升树拓扑结构质量的关键作用。这项研究对历史语言学、计算语言学以及开源社区具有深远的行业意义。首先，它提供了一种完全自动化、无需专家干预的大规模谱系推断方案，极大地降低了研究门槛，使得非专业研究人员也能利用全球语言数据进行探索。其次，其极高的计算效率意味着该方法可以轻松地集成到现有的语言数据库和工具链中，支持实时或近实时的谱系更新与分析。对于工业界而言，这种高效的跨语言表征学习框架也为低资源语言的处理、机器翻译中的跨语言对齐等任务提供了新的思路。在学术研究中，该框架不仅验证了自监督学习在语言学领域的应用潜力，还提供了一个统一的语言和概念表征空间，支持后续在词汇演变、语言接触、概念扩散等多方面的深入分析。随着全球语言数据资源的不断积累，这种可扩展、高效率的方法有望成为构建全球语言知识图谱的基础设施，推动历史语言学进入数据驱动的新阶段。