本篇论文中介绍了一种用于词语语义角色标注的简单而准确的神经模型，该模型通过双向 LSTM 编码器的状态预测谓词论元依赖关系，即使没有任何语法信息，仅使用本地推理即可在英语上取得有竞争力的性能，然而，当自动生成词性标注作为输入时，它的性能明显优于所有先前的本地模型，并接近报告的英语 CoNLL-2009 数据集的最佳结果。我们还考虑了中文、捷克语和西班牙语，其中我们的方法也取得了有竞争力的结果。基于语法的解析器在领域外数据上不可靠，因此当在该设置中进行测试时，标准（即语法相关）的 SRL 模型受到了阻碍。我们的基于语法不可知的模型表现更健壮，这在标准的领域外测试集上得到了最佳的报告结果。

Jan, 2017

本文提出了一种新结构 —— 增强依赖路径（ADP），并利用基于依赖的神经网络（DepNN）来利用这种结构，最终在 SemEval-2010 数据集上取得了最先进的结果。

Jul, 2015

本研究提出了一种新的基于依存句法的语义角色标注模型，该模型使用双向 LSTM 模型将超级标记与文本进行标记，然后将这些超级标记以及词和词性信息输入深度双向 LSTM 进行语义角色标注，该模型结合了先前基于完整依存句法解析进行 SRL 和最近使用无句法信息的模型的优点，并在 CoNLL 09 英语和西班牙语数据集上实现了最先进的性能。该论文表明在神经 SRL 系统中，超级标记是一种简单、强大且稳健的将句法信息纳入系统的方式。

Mar, 2019

本研究提出了一种新颖的神经网络框架，将预先训练好的字级知识和字符感知神经语言模型相结合，利用转移学习技术实现不依赖于额外监督信号的序列标注任务，并在基准数据集上通过大量实验验证了其有效性和高效性。

Sep, 2017

使用自适应双向 LSTM 编码策略的模型（称为 "神经 Davidsonian"），提出了一种语义原型 - 角色标注（SPRL）的模型，其中谓词 - 参数结构表示为输入序列中谓词和参数头标记对应的隐藏状态对，证明我们在 SPRL 方面有最先进的结果，并且我们的网络自然地共享属性之间的参数，可以在有限的增加监督下学习新的属性类型。

Apr, 2018

本文研究了如何有效地将句法知识融入语义角色标注（SRL）任务中，使用不同质量和表示的依赖树的不同编码方法，提出了一种句法增强的自注意模型，并与其他两种强基准方法进行了比较，并使用新发布的深度上下文化词表示进行了实验。实验结果表明，通过正确地融合高质量的句法信息，我们的模型在 CoNLL-2009 数据集的中文 SRL 任务中取得了新的最佳表现。

Oct, 2019

本文介绍了一种基于高阶图结构的神经语义角色标注模型，能够显式地考虑包含谓词参数对之间交互的语义关系，实验结果表明，高阶结构学习技术对于强效的 SRL 模型是有益的，在 CoNLL-2009 基准测试中取得了新的最佳结果。

Oct, 2020

本文针对方面术语提取，基于无监督学习的分布式单词和依赖路径表示提出了一种新颖的方法，使用递归神经网络建模序列化的语法关系，以单词之间的依赖句法关系进行词嵌入训练，并使用状态转移条件随机场 (score function) 来完成特定领域术语的提取。通过 SemEval 数据集上的实验，结果表明，我们的方法在方面术语提取方面取得了最好的性能表现。

May, 2016

本文探讨了一种半监督的方法，通过添加双向语言模型的预训练上下文嵌入到 NLP 系统中用于序列标注任务，相比其他转移学习或添加标记数据和任务特定词典的方法，在命名实体识别和块分割等任务上实现了最先进的结果。

Apr, 2017

本文提出了一种新的方法，利用定义建模来介绍一种广义的 SRL 形式，即使用自然语言定义而非离散标签来描述谓词论元结构。经过实验证明， 这种灵活的模型不会牺牲性能。

Dec, 2022