通过联合预测和分解关系从文本中诱导语义表示
在FrameNet范例下，本文提出了一种基于注释投射的通用框架，它可以相对廉价地自动引发新语言中的角色语义标注。该框架利用了词汇和句法信息来设计投影模型，实验结果表明可以在英汉平行语料库中自动诱导具有高准确度的语义角色标注。
Jan, 2014
该研究通过自动计算句法分析树上的分布式含义表示来进行话语关系预测，包括实体提及之间的链接，并在预测Penn话语树库中的隐式话语关系时实现了显著改进。
Nov, 2014
本文探讨使用平行数据从资源丰富语言的监督注释中进行语义角色标注的注释投影问题，并提出了一种转移方法来提高迭代自启动方法的质量。实验结果表明，与标准注释投影方法相比，我们的方法可以获得3.5个绝对标记F分数的提高。
Oct, 2017
本文提出一种全新的端到端方法，用于联合预测语义角色标签任务中的谓词、谓词指向的句子主语和宾语及它们之间的关系，并在PropBank SRL数据集上取得了最佳效果。
May, 2018
本文探讨了一种将语义角色标注作为序列到序列过程的新方法，使用加强的基于注意力机制和复制机制的模型，对英文数据进行PropBank SRL，证明该模型可以解决英语数据上的SRL标注任务，但需要添加更多的结构解码约束来使该模型真正具有竞争力。
Jul, 2018
使用基于注释投影的转移方法，开发了一种基于依赖关系的语义角色标注系统，在只有平行数据可用的语言中，不需要其他监督的语言信息。相比之前的工作，我们只使用了词和字符特征来避免使用监督的特征。我们的深度模型考虑使用基于字符的表示以及无监督的词干嵌入来减轻对监督特征的需求。我们的实验在通用命题库的7种语言中有6种优于使用监督词汇-句法特征的最先进方法。
Apr, 2019
该文介绍了一种用于语义角色标注（SRL）的迭代优化方法及网络结构，通过建立非局部交互关系，有效提高了模型表现，在七种CoNLL-2009中取得了最优表现并在其中五种语言中的英语数据集上取得了最新的成果。
Sep, 2019
本文针对英文和中文的语义角色标注进行了实证分析，并通过联合标签的转换方案，将SRL注释打包至依存树表示中，并证明该表示法有望进一步将句法方法结合到语义角色标注中。
Oct, 2020
本文提出了一种将SRL简化为树解析任务的方法，将平坦的论点跨度视为潜在子树，并配备新颖的Span-constrained TreeCRF，实现了优于以往所有语法不可知作品的结果，达到了最新的最先进状态。
Oct, 2021
本文提出一种端到端的多步骤机器学习模型，可以联合标记语义角色和Dowty（1991）的原型角色，其最佳架构首先学习参数跨度，然后学习参数的句法头，从而预测语义角色和原型角色，通过在训练期间预测所有这些，使用静态或上下文嵌入和监督完成所有任务，从而提高了大多数原型角色的最新预测。
Oct, 2022