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

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

提出一种零 - shot 跨语言 CSRL 方法，利用层次编码和设计的预训练目标隐式地学习语言不可知、会话结构感知和语义丰富的表示，可用于英语问题重述任务和多轮对话响应生成任务，以期促进解决省略和指代问题的非中文对话任务研究。

Apr, 2022

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

我们探究了一种新的方法，即将来自一对语言的资源结合起来构建一种多语言语义角色标注器，在多项语言中取得了比单语言基线更好的 SRL 性能，从分析多语言模型可以看出它在低资源环境下具有优势。

May, 2018

本文探讨了如何通过使用多种跨语言特征和转移方法，实现端到端语义角色标注（SRL）模型的构建，并概括了实验结果，说明使用不同的跨语言特征和黄金特征可以显著提高跨语言 SRL 的性能。

Aug, 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

零 - shot 跨语言迁移利用多语言 LLMs 已成为一种流行的学习范式，适用于低资源语言没有标记的训练数据。然而，在涉及单词和短语细粒度预测的 NLP 任务中，零 - shot 跨语言迁移学习性能远远落后于有监督的微调方法。因此，通过使用翻译和标签映射来进一步提高性能是很常见的。本文中，我们探索了一种通过限制解码进行标签映射的新方法，克服了先前提到的问题。我们的新方法不仅能保持翻译文本的质量，还具有适用于训练和测试数据的多样性。我们在两个跨语言迁移任务上进行评估，分别是命名实体识别和事件论证抽取，涵盖了 20 种语言。结果表明，我们的方法比现有的基于标记的方法具有更好的性能，并且比依赖于外部词对齐的其他标签映射方法表现更好。

Feb, 2024

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

本文提出了一种多任务主动学习的语义角色标注框架，以实体识别作为辅助任务，缓解了大量数据和语言专业知识的需求，并证明多任务主动学习可超越单任务主动学习和标准多任务学习方法，在 Indonesian conversational dataset 上得到验证。

Jun, 2018