ACLSep, 2018

文本理解的显式上下文语义

PDF
TL;DR本文的研究目的是让语义角色标注（SRL）任务通过指定动词谓词和其相应的语义角色来增强文本理解和推理，并针对深度学习模型，加入语义角色标注以获得更细粒度的语义。经过广泛的实验证明，所提出的语义学习能够在各项挑战性的自然语言理解任务中显著提高现有模型的性能，包括已经用于最新进展的预训练语言模型。
semantic role labelingtext comprehensiondeep learning modelsverbal predicatesmachine reading comprehension
发现论文，激发创造
  • 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

  • 语义角色标注引导下的多轮对话重述

    该研究提出使用语义角色标注为多轮对话改写提供指导，达到更好的性能，实验证明这可明显提高 RoBERTa 模型性能。

    Oct, 2020

  • 面向语法的多语言语义角色标注

    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

  • 对话语义角色标注

    该研究提出了针对对话中语义角色标注的任务，通过手动标注语义角色的方式建立了一个数据集，表明将 SRL 模型应用于对话任务有望提高性能，并在两个任务上进行了初步研究。

    Apr, 2021

  • 语法感知的神经语义角色标注

    本文探讨是否在神经网络中使用额外的句法特征表示对语义角色标注（SRL）有益，实验结果表明这有助于提高 SRL 的性能，并且在 CoNLL-2005 数据集上达到了新的最先进水平。

    Jul, 2019

  • 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

  • 语义角色标注遇上定义建模：利用自然语言描述谓词 - 论元结构

    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

  • 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

  • 神经语义角色标注中的语法角色

    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

  • 中文语义角色标注的句法感知多任务学习框架

    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