ACLJul, 2023

探索语义角色标注中的非语言谓词：挑战与机遇

PDF
TL;DR本篇文献阐述了语义角色标注中普遍使用动词作为谓语的局限性，并提出了一个新的 PropBank 数据集来克服这个局限。作者指出现有的 SRL 系统在不同谓词类型之间缺乏知识转移的能力，因此提供了一个手动注释的挑战集来开展这方面的研究。作者同时强调，融合 SRL 与其他语义任务是未来进一步提高 SRL 技术的重要方向。
semantic role labelingnon-verbal predicatespropbank datasetpredicate-argument structuresknowledge transfer
发现论文，激发创造
  • 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

  • 基于指针网络的转移句法语义角色标注

    该研究提出了一种基于 Pointer Networks 的过渡型语义角色标注方法，该方法可以在不需要额外模块或语法信息的情况下，在单次从左到右经过中完整处理语句，其时间复杂度是 $O (n^2)$，并且在大多数 CoNLL-2009 共享任务的语言上实现了迄今为止最佳性能。

    May, 2022

  • 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

  • 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

  • 基于神经转移模型的端到端语义角色标注

    本文提出了第一个针对端到端语义角色标注任务采用转移模型的神经网络方法，并使用高阶组合提取非局部特征，实现了最佳性能和高效解码。在 CoNLL09 和 Universal Proposition Bank 上的实验结果表明，该方法可以创造最新的性能记录。

    Jan, 2021

  • 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谓词和论元联合预测

    本文提出一种全新的端到端方法，用于联合预测语义角色标签任务中的谓词、谓词指向的句子主语和宾语及它们之间的关系，并在 PropBank SRL 数据集上取得了最佳效果。

    May, 2018

  • 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

  • 文本理解的显式上下文语义

    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。

    Sep, 2018

  • 高阶语义角色标注

    本文介绍了一种基于高阶图结构的神经语义角色标注模型，能够显式地考虑包含谓词参数对之间交互的语义关系，实验结果表明，高阶结构学习技术对于强效的 SRL 模型是有益的，在 CoNLL-2009 基准测试中取得了新的最佳结果。

    Oct, 2020