我们提出了一个新的大规模的 QA-SRL 语义角色标注语料库和第一个高质量的 QA-SRL 解析器，包括超过 250,000 个问题 - 答案对和 64,000 个句子，通过一种新的众包方案收集，我们证明该方法具有高精度和良好的回忆率，并基于神经模型进行了两个 QA-SRL 子任务，最佳模型在全流水线 QA-SRL 预测任务上分别达到 82.6% 和 77.6% 的问题准确率和范围级准确率（在人工评估下），并且可以用于低成本的附加注释。

May, 2018

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

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

该研究论文提出了一种半监督的语义角色标注方法，该方法基于神经网络的隐层状态生成词汇特征，明确地加入并控制句法特征的不一致性，以实现更好地语义角色标注，尤其是在数据稀缺的情况下，并在 CoNLL-2012 英文部分中取得了相对于基准模型更好的结果。

Aug, 2018

通过利用合成数据来预训练语言模型，可以帮助它们完成在新的任务或领域的迁移学习，然而这个想法在空间语言方面的研究比较少，本文提供了两个新的数据资源，其中一个是用于空间问答和空间角色标注的合成数据集，另一个为实际问答语料库，在 SQA 和 SPRL 基准测试中，我们发现使用自动生成的合成数据能显著提高模型的性能，尤其是当目标域中的训练数据较少时。

Oct, 2022

本篇论文提出了一个新的选择题型问答数据集 SelQA，该数据集通过众包生成问题，并从英文维基百科中提取十个最常见主题的长度为答案。我们介绍了一种语料库注释方案，旨在通过明确减少问题和答案之间的词共现来增强生成大型、多样化和具有挑战性的数据集的过程。在回答句子选择和回答触发任务上，我们比较了几个系统，为未来的工作提供了强有力的基准结果。

Jun, 2016

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

SRLScore 是一种基于语义角色标注的自动文本评估度量，适用于文本摘要，能显示出稳定的泛化性能，且可适应于不同的领域。

May, 2023