本文提出一种统一的、端到端的模型，用于同时处理依存和跨度语义角色标注任务，并使用统一的参数学习预测谓词和论元。在两种语义表示形式中，本模型实现了新的最先进的结果。

Jan, 2019

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

本文提出了第一个针对端到端语义角色标注任务采用转移模型的神经网络方法，并使用高阶组合提取非局部特征，实现了最佳性能和高效解码。在 CoNLL09 和 Universal Proposition Bank 上的实验结果表明，该方法可以创造最新的性能记录。

Jan, 2021

本文介绍了基于统一覆盖模型的跨度和基于单词的语义角色标注，并提出了一种多任务学习框架，其中包括基本 SRL 模块和依赖性解析器模块，通过该框架，我们使用外部句法表示得到了新的最先进的中文 SRL 良好结果。

Nov, 2019

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

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

本文使用深度学习框架，通过实验探究了句法信息对神经语义角色标注 (SRL) 的重要性，发现在一定条件下，神经 SRL 模型仍能从句法信息中获益；并且，本文使用现有模型进行了全面的实证研究，量化了句法对神经 SRL 模型的重要性。

Sep, 2020

本研究关注于多语言语义角色标注（SRL）模型的开发，并围绕句法规则、上下文化词表示等因素展开了研究，提出了一种基于句法规则的剪枝方法，并在 CoNLL-2009 的七种语言基准测试中实现了状态 - of-the-art 的效果，并验证了深度增强表示对多语言 SRL 的有效性。

Sep, 2019

该研究提出了一种基于 Pointer Networks 的过渡型语义角色标注方法，该方法可以在不需要额外模块或语法信息的情况下，在单次从左到右经过中完整处理语句，其时间复杂度是 $O (n^2)$，并且在大多数 CoNLL-2009 共享任务的语言上实现了迄今为止最佳性能。

May, 2022

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