Sep, 2019

面向语法的多语言语义角色标注

PDF
TL;DR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。
semantic role labelingmultilingualsyntaxcontextualized word representationconll-2009
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 多语言语义角色标注

    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

  • 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

  • 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

  • 跨语言语义角色标注的模型转移

    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

  • 使用 Supertags 和语法感知的神经语义角色标注

    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