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

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

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

本研究提出了一种基于语法的结构化跨度选择模型，旨在改进自然语言处理中的跨度选择问题，经测试该模型在两种跨度预测任务中均有显著提升。

May, 2022

本文提出了将端到端基于跨度的 SRL 转化为基于词汇的图分析任务的方法，并比较了四种不同的图表示形式，并且发现 BES 模式表现最佳。此外，我们提出了一种简单的受限 Viterbi 过程来确保输出图的合法性。经过在 CoNLL05 和 CoNLL12 上的实验证明，我们的基于词汇的图形分析方法在所有端到端和谓词给定的设置下都优于以前的结果，并且能够每秒解析 669/252 个句子，不使用和使用预训练的语言模型 (PLMs)。

Dec, 2021

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

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