Detailansicht
Mapping meaning across Indo-European languages
a semantic network analysis using Subs2Vec embeddings
Lale Tüver
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Philologisch-Kulturwissenschaftliche Fakultät
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Digital Humanities
Betreuer*in
Andreas Baumann
DOI
10.25365/thesis.81601
URN
urn:nbn:at:at-ubw:1-18387.75197.908761-8
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die Analyse semantischer Variation hat sich zu einem zentralen Forschungsinteresse der Computerlinguistik entwickelt. In sprachvergleichenden Studien richtet sich dabei zunehmend die Aufmerksamkeit auf die Beziehung zwischen semantischer Organisation und genealogischer Verwandtschaft von Sprachen. Während traditionelle vergleichende Linguistik Sprachverwandtschaften meist anhand gemeinsamer phonologischer, morphologischer und lexikalischer Entwicklungen bestimmt, stützen sich viele rechnergestützte Ansätze auf lexikalische Überschneidungen, Kognaten oder mehrsprachig ausgerichtete Datensätze. Ob Sprachen auch über die interne Struktur semantischer Ähnlichkeit verglichen werden können, also anhand der Bildung semantischer Nachbarschaften, Cluster und größerer Netzwerkmuster, wurde bisher noch nicht ausreichend untersucht. Diese Arbeit nutzt semantische Netzwerke, die aus Word Embeddings abgeleitet wurden, um indoeuropäische Sprachen zu vergleichen. Im Fokus steht die Frage, ob Sprachen derselben Untergruppe ähnliche semantische Netzwerkeigenschaften aufweisen und ob sich daraus Gruppierungen ableiten lassen, die dem etablierten indoeuropäischen Stammbaum ähneln. Die Analyse basiert auf Subs2Vec Word Embeddings für 32 indoeuropäische Sprachen aus sechs Zweigen, nämlich Germanisch, Italisch, Balto-Slawisch, Indo-Iranisch, Griechisch und Albanisch. Für jede Sprache wurde die Kosinus-Ähnlichkeit zwischen Wörtern berechnet. Daraus wurden semantische Netzwerke mithilfe von perzentilbasierten Methode und der mutual k-nearest-neighbor-Methode konstruiert. Anschließend wurden graphentheoretische Eigenschaften wie Degree-Struktur, Konnektivität, Clustering, Community-Struktur und Assortativität zwischen Sprachen und Zweigen verglichen und für hierarchisches Clustering verwendet. Die Ergebnisse zeigen, dass semantische Netzwerkeigenschaften sprachübergreifende Muster sichtbar machen, diese jedoch nur teilweise mit der genealogischen Klassifikation übereinstimmen. Einige Zweige weisen ein vergleichsweise kompaktes strukturelles Profil auf, während andere stärkere interne Variation und sprachspezifische Ausreißer zeigen. Das hierarchische Clustering rekonstruiert mehrere lokale Ähnlichkeiten zwischen eng verwandten Sprachen, bildet jedoch nicht immer stabile übergeordnete Zweig-Cluster. Die Ergebnisse deuten darauf hin, dass embedding-basierte semantische Netzwerke ein partielles genealogisches Signal erfassen, besonders auf der Ebene enger Sprachpaare und kleinerer Untergruppen. Damit leistet die Arbeit einen Beitrag zur Entwicklung rechnergestützter Ansätze für den sprachübergreifenden Vergleich semantischer Strukturen und sprachlicher Verwandtschaft.
Abstract
(Englisch)
Understanding patterns of semantic variation has emerged as a central research interest of computational linguistics. Within this research, the relationship between semantic organization and genealogical relatedness has received growing attention in cross-linguistic studies. Traditional comparative linguistics usually establishes language relationships through shared phonological, morphological, and lexical innovations, while many computational approaches rely on lexical overlap, cognates, or aligned multilingual material. However, less attention has been paid to whether languages can also be compared through the internal structure of semantic similarity, such as the way words form semantic neighborhoods, clusters, and larger network patterns. This thesis uses semantic networks derived from word embeddings for cross-linguistic comparison within the Indo-European language family. In particular, it focuses on whether languages from the same subgroup exhibit similar semantic network properties and whether these properties can recover subgroupings resembling the established family tree. The analysis uses Subs2Vec word embeddings for 32 Indo-European languages from six branch categories: Germanic, Italic, Balto-Slavic, Indo-Iranian, Greek, and Albanian. For each language, cosine similarity between words was used to construct semantic networks with a percentile threshold method and a mutual k-nearest-neighbor method. Graph-theoretic properties describing degree structure, connectivity, clustering, community structure, and assortativity were compared across languages and branches, and used for hierarchical clustering. The results show that semantic network properties reveal meaningful cross-linguistic patterns, but only partially correspond to genealogical classification. Some branches show a relatively compact structural profile, whereas others display stronger internal variation and language-specific outliers. Although hierarchical clustering recovers several local similarities between closely related languages, these do not always develop into stable higher-level branch clusters. These findings suggest that embedding-derived semantic networks capture partial genealogical signal, especially at the level of close language pairs and smaller subgroups. The thesis contributes a graph-based computational approach to cross-linguistic semantic comparison and language relatedness.
Schlagwörter
Schlagwörter
(Deutsch)
indoeuropäische Sprachen semantische Netzwerke Word Embeddings sprachvergleichende Analyse Computerlinguistik hierarchisches Clustering graphentheoretische Analyse
Schlagwörter
(Englisch)
Indo-European languages semantic networks word embeddings hierarchical clustering graph theoretical analysis computational linguistics
Autor*innen
Lale Tüver
Haupttitel (Englisch)
Mapping meaning across Indo-European languages
Hauptuntertitel (Englisch)
a semantic network analysis using Subs2Vec embeddings
Publikationsjahr
2026
Umfangsangabe
xiii, 101 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Andreas Baumann
AC Nummer
AC17947163
Utheses ID
81543
Studienkennzahl
UA | 066 | 647 | |