ACLMay, 2018

大规模 QA-SRL 解析

PDF
TL;DR我们提出了一个新的大规模的 QA-SRL 语义角色标注语料库和第一个高质量的 QA-SRL 解析器，包括超过 250,000 个问题 - 答案对和 64,000 个句子，通过一种新的众包方案收集，我们证明该方法具有高精度和良好的回忆率，并基于神经模型进行了两个 QA-SRL 子任务，最佳模型在全流水线 QA-SRL 预测任务上分别达到 82.6% 和 77.6% 的问题准确率和范围级准确率（在人工评估下），并且可以用于低成本的附加注释。
发现论文，激发创造
  • 高质量 QA-SRL 注释的受控众包

    本文提出了一种改进的众包协议用于进行复杂的语义注释，这种协议涉及到工人的选择和培训，以及数据整合阶段以获得高质量的注释结果并生成一个新的黄金标准评估数据集，旨在促进自然语义注释的未来可复制研究。

    Nov, 2019

  • 用高质量翻译训练语料进行跨语言语义角色标注

    本文提出了一种基于语料库翻译的新方法，通过从源标准 SRL 注释中构建高质量的目标语言训练数据集，以解决低资源语言缺乏注释数据集的挑战，并且得到了良好的效果。

    Apr, 2020

  • QASem 解析：基于 QA 语义的文本到文本建模

    该论文研究了使用问答的方式表示语义关系，并从三个任务的角度分析了如何最好地利用 seq2seq 预训练语言模型的威力。最终提出了一个综合文本信息的模型，并发布了具有实用性的 QASem 分析工具。

    May, 2022

  • X-SRL：一份并行的跨语言语义角色标注数据集

    本研究提出了一种自动构建四种语言的 SRL 语料库的方法，并使用高质量的机器翻译和多语种 BERT 模型在这四种语言之间导入一致的谓词和角色注释，经过实验表明这种方法使得弱势语言的表现得到了提高。

    Oct, 2020

  • 语义角色标注的跨度选择模型

    本研究提出基于跨度的语义角色标注模型，能够直接考虑所有可能的论元跨度并为每个标签评分，模型具有允许设计和使用跨度级特征的优点。实验结果显示，本研究的集成模型在 CoNLL-2005 和 2012 数据集上实现了最先进结果，分别为 87.4 F1 和 87.0 F1。

    Oct, 2018

  • 从语法无关到语法相关的完整端到端语义角色标注器？

    本文介绍了一个端到端的神经模型，它统一处理谓语消歧和参数标记，并通过使用双仿射评分器直接预测句子中所有给定单词对的语义角色标签，达到了比现有的支持语法的 SRL 系统更好的性能。

    Aug, 2018

  • 带自注意力的深度语义角色标注

    本文提出了一种基于自我注意力机制的新型神经网络架构以实现语义角色标注，能够解决循环神经网络在处理结构信息和长距离依赖时面临的主要挑战，其在 CoNLL 2005 和 CoNLL 2012 语义角色标注竞赛中的 F1 得分分别超过了之前的最佳成绩。此外，我们的模型计算效率高，单个 Titan X GPU 可以处理 50000 个标记每秒。

    Dec, 2017

  • 使用迁移学习和基于 BERT 模型的方法对波斯语语义角色进行标注

    本研究提出了一种端到端的 SRL 方法，它不仅消除了特征提取的需要，而且在实际情况下面对新样本的时候也表现出优于现有方法 16% (83.16) 的准确性改进。

    Jun, 2023

  • 基于增强语法自注意力的语义角色标注

    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

  • 深度语义角色标注的半监督学习

    该研究论文提出了一种半监督的语义角色标注方法，该方法基于神经网络的隐层状态生成词汇特征，明确地加入并控制句法特征的不一致性，以实现更好地语义角色标注，尤其是在数据稀缺的情况下，并在 CoNLL-2012 英文部分中取得了相对于基准模型更好的结果。

    Aug, 2018