语义角色标注（SRL）是 NLP 中一个基础且重要的任务，主要涉及谓词和论元的识别，以及相应的角色标签标注等等。
最近主流的 SRL 方法主要分为 BIO-based 和 span-based。前者将 SRL 视为序列标注，而后者则是将 SRL 视为对于 <谓词，论元头，论元尾> 这样三元组的预测。然而这两种方法都有一些共有的缺陷，忽视了对于论元内部结构建模。

这种内部结构在直觉上对于 SRL 很有效，例如在上面的图中，谓词 take 对应的论元「out of the market」的标签为 A2，这种关系可以反映在 take 到论元中心词 out 的弧中，此外，该论元的边界也和相应的子树边界完美对应。如果捕捉到内部结构信息，可以有效引导角色标签分类以及论元识别这两个子任务。然而由于 SRL 是一个 shallow parsing task，缺乏层次化的结构标注，这种内部结构还很少被前人工作利用。

基于这些观察，我们提出将平坦论元结构建模为隐式（latent）依存子树。通过这种方式，我们可以方便地将 SRL 归纳成一个依存句法分析任务。基于这种归纳，我们可以无缝利用已有的一些成熟的依存句法分析技术，例如 TreeCRF、高阶建模等等，来进行全局概率推断。

 

论文标题：Semantic Role Labeling as Dependency Parsing: Exploring Latent Tree Structures Inside Arguments

论文链接：https://arxiv.org/pdf/2110.06865.pdf

代码链接：https://github.com/yzhangcs/crfsrl

内容中包含的图片若涉及版权问题，请及时与我们联系删除