《Dependency or Span, End-to-End Uniform Semantic Role Labeling》语义角色标注

最新推荐文章于 2024-03-21 10:02:58 发布

原创

最新推荐文章于 2024-03-21 10:02:58 发布 · 585 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#自然语言处理 #深度学习 #机器学习

本文介绍云从科技和上海交大关于语义角色标注（SRL）的研究成果。SRL是自然语言处理基础任务，传统方法准确率不高。论文提出统一的谓词与论元表示层，实现论元表示形式统一。通过实验对比，dependency - based效果更好，拓展已有模型，为探索语义表征联系提供可能。

《Dependency or Span, End-to-End Uniform Semantic Role Labeling》是一篇发表在AAAI会议上的论文，是由云从科技和上海交通大学联合创新实验室关于语义角色标注（SRL，Semantic Role Labeling）的研究成果。论文链接

一、背景介绍

在这里插入图片描述
SRL就是以句子中的谓词为中心，分析句子中各成分和谓词之间的联系。即句子的谓词（Predicate）- 论元（Argument）结构。谓词是对主语的陈述或说明，指出「做什么」、「是什么」或「怎么样，代表了一个事件的核心，跟谓词搭配的名词称为论元。语义角色是指论元在动词所指事件中担任的角色。主要有：施事者（Agent）、受事者（Patient）、客体（Theme）、经验者（Experiencer）、受益者（Beneficiary）、工具（Instrument）、处所（Location）、目标（Goal）和来源（Source）等。

例如：「小明昨天晚上在公园遇到了小红。」

「遇到」是句子的谓词，「小明」是谓词的发起者，角色为「施事者」，「小红」是谓词的接受者，角色是「受事者」，「公园」是谓词的发生地点，据说是「处所」等。
作为自然语言处理的一项基础性任务，语义角色标注能提供上层应用的非常重要的语义信息。例如在阅读理解应用中，把语义角色标注作为输入的一部分，可以帮助阅读理解应用更加准确确定各部分的语义角色，从而提高阅读理解的准确性。

比如：「小明打了小华」和「小华被小明打了」，这两句话语义完全一致，但由于被动语态引起的主语和宾语位置上的变化，当提问「谁挨打了？」时，阅读理解算法在处理这两句时，有可能会给出不同的答案。但如果我们把语义角色标注也作为阅读理解的输入信息，由于两句话中「小华」都是