Argument Linking: A Survey and Forecast
语义角色标注（SRL）--识别同一句子中谓词和其他成分之间的语义关系--是自然语言理解（NLU）中一个研究得很好的任务。然而，这些关系中的许多只在文档的层次上是明显的，因为一个句子中的谓词的作用通常可以由另一个句子中的论元来填补。这种更一般的任务，被称为隐式语义角色标注或参数连接，近年来受到越来越多的关注，因为研究人员已经认识到它对信息抽取和NLU的中心作用。本文综述了文献的论点连接，并确定了现有的方法，表明沿着未来的研究工作可以最有利可图的花费路径的几个显着的缺点。
2021-07-18 cs.CL
Semantic Role Labeling Meets Definition Modeling: Using Natural Language to Describe Predicate-Argument Structures
Sapienza University of Rome（罗马第一大学）；Babelscape（巴贝尔斯凯普）
过去和现在的语义角色标注（SRL）方法的一个共同特点是它们依赖于从预定义的语言库中提取的离散标签来对谓词意义及其论元进行分类。然而，我们认为情况不一定如此。在本文中，我们提出了一种方法，利用定义建模引入一个广义的制定SRL的任务描述谓词参数结构使用自然语言定义，而不是离散的标签。我们的新配方的第一步，把可解释性和灵活性放在首位，但我们的实验和分析PropBank风格和FrameNet风格，依赖性为基础的和跨度为基础的SRL也表明，一个灵活的模型与可解释的输出不一定是以牺牲性能。我们在https://github.com/SapienzaNLP/dsrl上发布我们的软件用于研究目的。
2022-12-02 cs.AI cs.CL cs.LG
PriMeSRL-Eval: A Practical Quality Metric for Semantic Role Labeling Systems Evaluation
IBM Research（IBM研究院）；Apple（苹果公司）
语义角色标注（SRL）识别句子中的谓词-论元结构。这个任务通常分为四个步骤：谓词识别、谓词意义消歧、论元识别和论元分类。在一个步骤中引入的错误会传播到后面的步骤。不幸的是，现有的SRL评估脚本没有考虑这种错误传播方面的全部影响。它们要么评估独立于谓词意义的参数（CoNLL 09），要么根本不评估谓词意义（CoNLL 05），从而在参数分类任务上产生不准确的SRL模型性能。在本文中，我们解决现有的评估脚本的关键实际问题，并提出了一个更严格的SRL评估指标PriMeSRL。我们观察到，通过采用PriMeSRL，所有SoTA SRL模型的质量评价显着下降，其相对排名也发生了变化。我们还表明，PriMeSRL成功地惩罚SoTA SRL模型中的实际故障。
2022-10-12 cs.AI cs.CL
A Full End-to-End Semantic Role Labeler, Syntax-agnostic Over Syntax-aware?
Shanghai Jiao Tong University（上海交通大学）
语义角色标注是识别句子的谓元结构，包括谓词消歧和论元标注两个子任务。以往的研究通常将整个自主学习问题分解为两个或多个子任务。本文首次引入了一个端到端的神经模型，它可以一次性地统一处理谓词消歧和参数标注。使用biaffine评分器，我们的模型直接预测句子中所有给定单词对的所有语义角色标签，而不依赖于任何句法分析信息。具体来说，我们用非线性变换来增强BiLSTM编码器，以进一步区分给定句子中的谓词和参数，并通过采用biaffine注意机制将语义角色标注过程建模为词对分类任务。尽管所提出的模型对于本地解码器来说是语法不可知的，但在英语和中文的CoNLL-2008、2009基准测试中，它的性能优于最先进的语法感知SRL系统。据我们所知，我们报告的第一个语法不可知的SRL模型，超越所有已知的语法感知模型。
2018-08-14 cs.CL
Explicating the Implicit: Argument Detection Beyond Sentence Boundaries
Bar-Ilan University（巴伊兰大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；University of Washington（华盛顿大学）
本文提出一种基于文本蕴含的跨句论元检测方法，将语义关系编码为独立命题并检验其是否被全文蕴含，无需直接监督，在文档级基准上优于部分有监督方法和当代语言模型。
2024-08-08 cs.CL
Unsupervised Parsing by Searching for Frequent Word Sequences among Sentences with Equivalent Predicate-Argument Structures
The University of Tokyo（东京大学）；Imperial College London（伦敦帝国学院）；The University of Liverpool（利物浦大学）
本文提出基于频率的无监督成分句法解析器span-overlap，利用PAS等价句子集合中成分对应频繁词序列的特性，通过最大化span-overlap分数识别成分结构，在十种语言中的八种上达到最先进水平，并发现参与者成分与事件成分之间的统计差异。
2024-08-12 cs.CL
Dependency or Span, End-to-End Uniform Semantic Role Labeling
Department of Computer Science and Engineering, Shanghai Jiao Tong University（上海交通大学计算机科学与工程系）；Key Laboratory of Shanghai Education Commission for Intelligent Interactionand Cognitive Engineering, Shanghai Jiao Tong University（上海交通大学上海市智能交互与认知工程重点实验室）
语义角色标注旨在发现句子的谓词论元结构。无语法输入的端到端SRL受到了广泛的关注。然而，它们大多集中在基于跨度或基于依赖的语义表示形式，并只显示特定的模型优化。同时，统一处理这两个SRL任务不太成功。本文提出了一个端到端的模型，依赖和跨度SRL与一个统一的参数表示，以处理两种不同类型的参数注释在一个统一的方式。此外，我们联合预测所有的谓词和参数，特别是包括长期被忽略的谓词识别子任务。我们的单一模型在跨度（CoNLL 2005，2012）和依赖性（CoNLL 2008，2009）SRL基准上都取得了新的最先进的结果。
2019-01-16 cs.CL
Learning Structured Natural Language Representations for Semantic Parsing
University of Edinburgh（爱丁堡大学）；IBM T.J. Watson Research（IBM T.J. Watson研究院）
我们介绍了一个神经语义解析器，转换自然语言的话语中间表示形式的谓词参数结构，这是诱导与过渡系统，随后映射到目标域。语义解析器使用带注释的逻辑形式或它们的表示进行端到端的训练。我们在各种数据集上获得了有竞争力的结果。归纳的谓词-论元结构揭示了用于语义解析的表征类型，以及这些表征与语言动机表征的不同之处。
2017-06-14 cs.CL
SRLGRN: Semantic Role Labeling Graph Reasoning Network
Michigan State University（密歇根州立大学）
这项工作涉及的挑战，学习和推理多跳问答（QA）。我们提出了一个基于句子语义结构的图推理网络来学习跨段落的推理路径，并联合寻找支持事实和答案。建议的图是一个异构的文档级图，包含节点的类型句子（问题，标题，和其他句子），和语义角色标注子图每个句子，包含参数作为节点和谓词作为边缘。将源自SRL谓词的参数类型、参数短语和边的语义描述到图编码器中有助于找到推理路径以及推理路径的可解释性。我们提出的方法显示了竞争力的性能HotpotQA分心设置基准相比，最近的国家的最先进的模型。
2020-11-18 cs.CL
From Semantic Roles to Opinion Roles: SRL Data Extraction for Multi-Task and Transfer Learning in Low-Resource ORL
Department of Computer Engineering University of Guilan（计算机工程系加兹万大学）
本研究从OntoNotes 5.0语料库的WSJ部分构建高质量SRL数据集并适配ORL任务，提出基于PropBank框架的可复现提取流程，生成含97,169个实例的数据集，为低资源ORL的多任务与迁移学习提供可复用资源。
2025-11-11 cs.CL
Paraphrasing vs Coreferring: Two Sides of the Same Coin
Bar-Ilan University（巴伊兰大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；University of Washington（华盛顿大学）
我们研究了两个不同的NLP任务之间的潜在协同作用，都面临谓词词汇的变化：确定谓词释义，和事件共指消解。首先，我们使用来自事件共指数据集的注释作为远程监督，以重新评分精确提取的谓词释义。新评分法的平均评分精度比原评分法提高了18分以上。然后，我们使用相同的重新排序功能作为最先进的事件共指消解模型的额外输入，这对模型的性能产生了适度但一致的改进。结果表明，利用每个任务的数据和模型来使其他任务受益是一个有希望的方向。
2020-10-09 cs.CL
CLAR: A Cross-Lingual Argument Regularizer for Semantic Role Labeling
IBM Research（IBM研究院）；Google Research（谷歌研究院）
语义角色标注（SRL）识别给定句子中的谓词-论元结构。虽然不同的语言有不同的参数注释，但多语言训练，即在多种语言上训练一个模型的想法，以前已经被证明优于单语基线，特别是对于低资源语言。事实上，即使是简单的数据组合也被证明是有效的，通过在共享的表示空间中表示遥远的词汇表来进行多语言训练。同时，尽管不同语言之间的参数注释不同，但某些参数标签确实在不同语言之间共享共同的语义含义（例如，参数标签在不同语言之间具有或多或少相似的语义含义）。为了利用跨语言注释空间中的这种相似性，我们提出了一种称为跨语言参数正则化器（CLAR）的方法。CLAR识别跨语言的这种语言注释相似性，并利用该信息来使用源语言参数所在的空间的变换来映射目标语言参数。通过这样做，我们的实验结果表明，CLAR一贯提高SRL性能的多语言单语和多语种基线低资源语言。
2020-11-09 cs.CL
Hierarchical Multitask Learning with Dependency Parsing for Japanese Semantic Role Labeling Improves Performance of Argument Identification
pluszero Inc.（pluszero公司）；The University of Tokyo（东京大学）
随着FrameNet和PropBank的出现，英语中出现了许多语义角色标注系统。虽然对日语谓词论元结构分析的研究已经展开，但大多数研究都集中在表层事例上。日本的SRL模型在深度情况下的研究成果很少，而且模型的精度较低。因此，我们提出了一个分层的多任务学习方法与依存句法分析（DP），并表明我们的模型在日本SRL达到了最先进的结果。此外，我们进行实验，同时进行参数识别和参数分类的联合模型。结果表明，DP的多任务处理主要是有效的论点识别。
2021-02-26 cs.CL
High-order Refining for End-to-end Chinese Semantic Role Labeling
Wuhan University（武汉大学）；Guangdong University of Foreign Studies（广东外语外贸大学）
当前的端到端语义角色标注主要是通过基于图的神经模型来完成的。然而，这些都是一阶模型，其中检测任何谓词-参数对的每个决策都是与本地特征隔离的。在本文中，我们提出了一个高阶精炼机制，执行所有谓词参数对之间的相互作用。基于基线图模型，我们的高阶细化模块通过注意力计算学习所有候选对之间的高阶特征，这些特征随后用于更新原始令牌表示。经过几次迭代的细化，底层的令牌表示可以用全局交互的特征来丰富。我们的高阶模型在中国SRL数据（包括CoNLL 09和Universal Proposition Bank）上取得了最先进的结果，同时缓解了长距离依赖问题。
2020-09-15 cs.CL
Annotation of Chinese Predicate Heads and Relevant Elements
Guizhou University（贵州大学）；University of Massachusetts Boston（马萨诸塞大学波士顿分校）
谓语中心语是在句子中起结构中心作用的动词性表达。识别谓语中心语对理解句子至关重要。它在组织句子中的相关句法成分方面起着主导作用，包括主语成分，状语成分等。对于某些语言，如英语，词形态对识别谓语中心语很有价值。然而，汉语并没有提供任何形态信息来表明词的语法角色。一个汉语句子往往包含几个动词性表达，识别起谓语中心语作用的表达并不是一件容易的事情。此外，汉语句子不注重结构，词与词之间没有界限。因此，识别汉语谓语中心语涉及重大挑战。在中文信息抽取中，谓语中心语识别方面的研究还很少。没有普遍接受的评价数据集支持这一重要领域的工作。本文首次提出了汉语谓语中心语及其相关句法成分的注释准则。这个注释准则强调了谓语作为句子结构中心的作用。相关句法成分注释的设计也遵循这一原则。为了实现这一目标，提出了许多考虑因素，例如，谓词中心语的模式，扁平化的注释结构，以及更简单的句法单位类型。根据拟议的注释准则，对1 500多份文件进行了人工注释。语料库将在网上提供，供公众查阅。我们的目标是通过这一指南和注释语料库，广泛影响和推动中文信息抽取领域的研究，并为研究界提供长期缺乏的关键资源。
2021-04-01 cs.CL
An Argument-Marker Model for Syntax-Agnostic Proto-Role Labeling
Leibniz ScienceCampus “Empirical Linguistics and Computational Language Modeling”（莱布尼茨科学园区“实证语言学与计算语言建模”）
语义原型角色标注（SPRL）是语义角色标注（SRL）的替代方案，它超越了角色的类别定义，遵循Dowty基于特征的原型角色视图。该理论基于参与者对或多或少典型的代理人与患者属性的实例化来确定代理人与患者属性，例如，事件中的意志。为了执行SPRL，我们开发了一个具有自我注意力和同时学习的谓词-参数标记的分层模型的集合。我们的方法与最先进的方法相比具有竞争力，在任务的两个配方（多标签和多变量李克特尺度预测）中整体表现优于以前的工作。在以前的工作相比，我们的研究结果不依赖于黄金论点头来自补充黄金树银行。
2019-04-12 cs.CL
Unsupervised Transfer of Semantic Role Models from Verbal to Nominal Domain
University of Edinburgh（爱丁堡大学）；University of Amsterdam（阿姆斯特丹大学）
语义角色标注（Semantic role labeling，SRL）是一个NLP任务，涉及将谓词参数分配给类型，称为语义角色。尽管SRL的研究主要集中在动词谓词上，并且许多可用于SRL的资源仅为动词提供注释，但语义关系通常由其他语言结构触发，例如，名词化在这项工作中，我们调查的情况下，我们假设的角色注释的数据为源动词域，但只有未标记的数据为目标名词域的转移。我们的关键假设，使两个域之间的转移，是一个角色的选择偏好（即，对可接受论元的偏好或约束）并不强烈地依赖于关系是由动词还是名词触发的。例如，相同的一组参数可以填补动词谓词“acquire”及其名词形式“acquisition”的获取者角色。我们从变分自编码的角度来处理转移任务。标签器充当编码器（预测给定句子的角色标签），而选择偏好在解码器组件中捕获（为预测角色生成参数）。在训练数据中没有标记名义角色，而是学习目标推动标记器分配预测参数的角色。跨域共享解码器参数鼓励了针对两个域预测的标签之间的一致性，并且促进了传输。该方法大大优于基线，如无监督和“直接转移”的方法，对英语CoNLL-2009数据集。
2020-09-26 cs.CL cs.LG
Is Argument Structure of Learner Chinese Understandable: A Corpus-Based Analysis
Peking University（北京大学）
本文基于学习者句子及母语者修正语料，结合 Chinese PropBank 语义角色标注，分析学习者汉语论元结构错误，并验证规范适用性与文本可理解性。
2023-08-17 cs.CL
Distance-Free Modeling of Multi-Predicate Interactions in End-to-End Japanese Predicate-Argument Structure Analysis
Tohoku University（东北大学）；RIKEN（理化学研究所）
在日语多谓词论元结构分析中，捕捉多谓词论元结构之间的相互作用是一个关键问题。在本文中，我们提出了新的日本PAS分析模型，通过扩展标准深度双向递归神经网络（bi-RNN）模型的输入层和最后一层，整合了多个PAS中参数的标签预测信息。在这些模型中，使用池化和注意力机制，我们的目标是直接捕获多个PAS之间的潜在交互，而不受词序和距离的干扰。我们的实验表明，所提出的模型提高了预测精度，特别是在谓词和参数是在一个间接的依赖关系的情况下，并实现了一个新的国家的艺术在整体$F_1$的标准基准语料库。
2018-06-12 cs.CL
Conversational Semantic Role Labeling with Predicate-Oriented Latent Graph
Wuhan University（武汉大学）；Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Guangdong University of Foreign Studies（广东外语外贸大学）
会话语义角色标注是一项新提出的任务，旨在揭示会话文本中的浅层语义结构。然而，CSRL任务的几个重要特征，如结构信息整合、近邻影响等，却被现有的研究所忽视。在这项工作中，我们研究了CSRL的潜在图的整合。我们提出了一种以谓词为中心的高斯机制，自动诱导一个面向谓词的潜在图（POLar），通过该机制，更接近谓词的信息词将被分配更多的注意力。然后，POLar结构被动态地修剪和细化，以便最好地满足任务需求。我们还引入了一个有效的对话级预训练的语言模型，CoDiaBERT，更好地支持多个话语句子和处理CSRL中的说话人共指问题。我们的系统在三个基准CSRL数据集上的性能优于最佳基线，特别是在跨话语参数检测上实现了超过4%的F1分数改进。进一步的分析，以更好地了解我们提出的方法的有效性。
2022-10-06 cs.AI cs.CL
Exploring Non-Verbal Predicates in Semantic Role Labeling: Challenges and Opportunities
Sapienza University of Rome（罗马萨皮恩扎大学）
本文针对语义角色标注中非动词谓词研究不足的问题，提出覆盖多谓词类型的PropBank数据集和人工标注挑战集，证明现有系统跨谓词类型迁移能力有限，并指出SRL远未解决，未来需结合其他语义任务改进非动词谓词处理。
2023-07-04 cs.AI cs.CL
Multi-task Learning for Japanese Predicate Argument Structure Analysis
Tokyo Metropolitan University（东京都立大学）
事件名词是具有类似于谓词的论元结构的名词。最近的作品，包括那些被认为是最先进的，忽略事件名词或建立一个单一的模型来解决日语谓词论元结构分析（PASA）和事件名词论元结构分析（ENASA）。然而，由于谓词和事件名词之间存在相互作用，因此仅针对谓词是不够的。为了解决这个问题，我们提出了一个多任务学习方法的PASA和ENASA。与单任务模型相比，我们的多任务模型通过共享每个任务的知识来提高两个任务的性能。此外，在PASA中，我们的模型在NAIST文本语料库上的总体F1分数方面取得了最先进的结果。此外，这是在ENASA中首次采用神经网络的工作。
2019-04-03 cs.CL
MuCPAD: A Multi-Domain Chinese Predicate-Argument Dataset
Soochow University（苏州大学）
在过去的十年中，神经网络模型在领域内语义角色标注（SRL）方面取得了巨大的进展。但是，在域外设置下性能会显著下降。为了促进跨领域语义关系语料库的研究，本文提出了一个多领域汉语谓词论元数据集MuCPAD，该数据集包含来自6个不同领域的30,897个句子和92,051个谓词。MuCPAD具有三个重要特征。1)基于无框架注释方法，我们避免为新谓词编写复杂的框架。2)考虑到实义词的省略在多领域中文文本中普遍存在，我们显式地标注省略的核心论点，以恢复更完整的语义结构。3)我们编写了53页的注释指南，并采用严格的双重注释以提高数据质量。本文详细介绍了MuCPAD的标注方法和标注过程，并进行了深入的数据分析。我们还给出了基于MuCPAD的跨域SRL的基准测试结果。
2022-05-13 cs.CL
End-to-end Semantic Role Labeling with Neural Transition-based Model
School of Cyber Science and Engineering, Wuhan University（武汉大学网络安全学院）；School of New Media and Communication, Tianjin University（天津大学新媒体与传播学院）
端到端的语义角色标注（SRL）越来越受到人们的关注。它执行SRL的两个子任务：谓词识别和参数角色标记，联合。目前的研究主要集中在基于图的神经网络模型上，而基于迁移的神经网络框架已经被广泛应用于多个紧密相关的任务中，但对于联合任务的研究还没有。在本文中，我们提出了第一个工作的过渡为基础的神经模型的端到端SRL。我们的转换模型通过一组转换动作来逐步发现所有的谓词及其参数。这两个子任务的操作是相互执行的，以实现完整的交互。此外，我们建议高阶组合提取非局部特征，这可以进一步增强所提出的过渡模型。在CoNLL09和Universal Proposition Bank上的实验结果表明，该模型在保持高效解码性能的同时，具有较好的性能。我们还进行了详细的实验分析，深入了解我们提出的模型。
2021-01-02 cs.CL
Semantic Role Labeling as Dependency Parsing: Exploring Latent Tree Structures Inside Arguments
Institute of Artificial Intelligence, School of Computer Science and Technology（计算机科学与技术学院人工智能研究所）；Soochow University（苏州大学）；Huawei Cloud（华为云）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
语义角色标注（SRL）是自然语言处理领域的一项基本而又具有挑战性的任务。SRL近期的工作主要分为两条路线：1）基于生物的; 2）基于跨度的。尽管它们普遍存在，但它们都有一些内在的缺点，即没有考虑内部参数结构，这可能会阻碍模型的表达能力。关键的挑战是参数是平面结构，并且参数中的单词没有确定的子树实现。为了弥补这一点，在本文中，我们建议把扁平的参数跨度作为潜在的子树，从而减少SRL的树解析任务。特别是，我们配备了一个新的跨度约束TreeCRF制定，使树结构跨度意识，并进一步将其扩展到二阶的情况下。我们在CoNLL 05和CoNLL 12基准上进行了大量的实验。结果表明，我们的方法比以前所有的语法不可知的作品表现得更好，实现了新的国家的最先进的端到端和W/黄金谓词设置。
2022-09-17 cs.CL
Annotating Predicate-Argument Structure for a Parallel Treebank
我们报告最近发起的一个项目，旨在建立一个多层次的并行树库的英语和德语。特别注意的是专门的谓词参数层，用于对齐两种语言的等价句子。我们描述了我们的概念决策和他们的技术实现方面。我们讨论了一些选定的问题，并得出结论，这个项目如何涉及到该领域的类似项目的一些意见。
2004-07-01 cs.CL
Textual Entailment for Event Argument Extraction: Zero- and Few-Shot with Multi-Source Learning
HiTZ Basque Center for Language Technologies（HiTZ巴斯克语言技术中心）；Raytheon BBN Technologies（雷神BBN技术公司）；University of the Basque Country UPV/EHU（巴斯克大学UPV/EHU）
最近的工作表明，NLP任务（如关系抽取（RE））可以使用动词化重新转换为文本蕴涵任务，由于预先训练的蕴涵模型，在zero-shot和Few-Shot设置中具有强大的性能。事实上，在目前的RE数据集的关系很容易用语言表达的怀疑是否蕴涵将是有效的，在更复杂的任务。在这项工作中，我们证明了蕴涵在事件参数提取（EAE）中也是有效的，在ACE和WikiEvents中分别将手动注释的需要减少到50%和20%，同时实现与完整训练相同的性能。更重要的是，我们表明，重铸EAE蕴涵的依赖模式，这一直是一个路障域之间的注释转移。由于蕴涵，ACE和WikiEvents之间的多源传输进一步将注释减少到不传输的完整训练的10%和5%（分别）。我们的分析表明，获得良好结果的关键是使用多个蕴涵数据集来预训练蕴涵模型。与以前的方法类似，我们的方法需要少量的手动语言化工作：每个事件参数类型只需要不到15分钟，并且可以与具有不同专业知识水平的用户实现可比的结果。
2022-05-03 cs.CL
Neural Adversarial Training for Semi-supervised Japanese Predicate-argument Structure Analysis
Kyoto University（京都大学）；JST（日本科学技术振兴机构）
日语述论元结构分析涉及零形回指消解，这是众所周知的困难。为了提高日语PAS分析的性能，可以直接增加PAS标注的语料库的大小。然而，由于它是昂贵的，它是有希望利用大量的原始语料库。在本文中，我们提出了一种新的日本PAS分析模型的基础上半监督对抗训练与原始语料库。在我们的实验中，我们的模型优于现有的国家的最先进的日本PAS分析模型。
2018-06-05 cs.CL
Capturing Argument Interaction in Semantic Role Labeling with Capsule Networks
University of Edinburgh（爱丁堡大学）；University of Amsterdam（阿姆斯特丹大学）
语义角色标注（SRL）涉及从自然语言句子中提取命题（即谓词及其类型化参数）。最先进的SRL模型依赖于强大的编码器（例如，LSTM），并且不对参数之间的非局部交互进行建模。我们提出了一种新的方法来建模这些相互作用，同时保持有效的推理。具体来说，我们使用胶囊网络：每个命题被编码为\textit{capsules}的元组，每个参数类型（即角色）一个胶囊。这些元组充当整个命题的嵌入。在每一个网络层中，胶囊彼此交互，并与句子中的单词表示交互。每次迭代都会导致更新的命题嵌入和关于SRL结构的更新预测。我们的模型在所有7种CoNLL-2019语言上的表现都大大优于非细化基线模型，并在5种语言（包括英语）上实现了最先进的依赖SRL结果。我们分析的类型的错误纠正的细化程序。例如，每个角色通常（但不总是）最多填充一个参数。然而，强制执行这种近似约束是没有用的现代SRL系统，迭代过程纠正错误，捕捉这种直觉在一个灵活的和上下文敏感的方式。
2019-10-07 cs.CL
Neural Unsupervised Semantic Role Labeling
Shanghai Jiao Tong University（上海交通大学）
语义角色标注（SRL）的任务是寻找谓词-论元结构。以前的SRL工作大多是有监督的，没有考虑标记每个例子的困难，这可能是非常昂贵和耗时的。在本文中，我们提出了第一个神经无监督模型SRL。为了将任务分解为两个参数相关的子任务，识别和聚类，我们提出了一个相应的由两个神经模块组成的管道。首先，我们训练两个语法感知的统计开发规则的神经模型。神经模型获取句子中每个标记的相关性信号，并将其输入BiLSTM，然后输入对抗层，同时进行噪声添加和分类，从而使模型能够学习句子的语义结构。然后，我们提出了另一个神经模型的参数角色聚类，这是通过聚类学习的参数嵌入偏向于他们的依赖关系。在CoNLL-2009英语数据集上的实验表明，我们的模型在参数识别和分类的非神经模型方面优于以前的最先进的基线。
2021-04-19 cs.CL
Revisiting the Design Issues of Local Models for Japanese Predicate-Argument Structure Analysis
Tohoku University（东北大学）；RIKEN Center for Advanced Intelligence Project（理化学研究所革新智能综合研究中心）
日语述论元结构分析的研究趋势正在从具有局部特征的逐点预测模型转向旨在搜索全局最优解的全局模型。然而，现有的全球模型往往只采用相对简单的本地功能，因此，整体性能的提高是相当有限的。设计一个本地模型的重要性在这项研究中证明了一个复杂的本地模型的性能可以大大提高与最近的特征嵌入方法和基于神经网络的特征组合学习，优于国家的最先进的全球模型在$F_1$上一个共同的基准数据集。
2017-10-12 cs.CL
Attentive Semantic Role Labeling with Boundary Indicator
Shanghai Jiao Tong University（上海交通大学）
语义角色标注的目标是发现句子的谓词-论元结构，它在自然语言的深处理中起着关键作用。本文介绍了简单而有效的辅助标记依赖为基础的SRL，以提高语法无关的模型与多跳自注意。我们的语法无关模型在CoNLL-2009英语和中文基准测试中均达到了与最先进模型相媲美的性能。
2018-09-08 cs.CL
Multi-document Summarization using Semantic Role Labeling and Semantic Graph for Indonesian News Article
School of Electrical Engineering and Informatics（电气工程与信息学院）；Bandung Institute of Technology（万隆理工学院）
在本文中，我们提出了一个多文档摘要系统使用语义角色标注（SRL）和语义图的印尼新闻文章。为了改进现有的摘要器，我们的系统修改的摘要器，采用主语，谓语，宾语和状语（SVOA）提取谓词论元结构（PAS）提取。印度尼西亚语的SVOA提取被SRL模型取代。我们还取代了遗传算法，以确定与决策树分类器的重要PAS，因为没有遗传算法的汇总器，给更好的性能。采用决策树模型识别重要PAS。具有10个特征的决策树模型比具有4个句子特征的决策树模型具有更好的性能。实验和评估进行生成100字的摘要和200字的摘要。实验结果表明，该模型在100字摘要中的平均ROUGE-2召回率为0.313，在200字摘要中的平均ROUGE-2召回率为0.394。
2021-03-05 cs.CL
Deriving Verb Predicates By Clustering Verbs with Arguments
University of Pennsylvania（宾夕法尼亚大学）；Stony Brook University（石溪大学）
手工构建的动词簇，如广泛使用的Levin类（Levin，1993），已被证明是有用的，但覆盖范围有限。另一方面，从语料库数据（如VerbKB（Wijaya，2016））自动诱导的动词类可以提供覆盖范围更大的聚类，并且可以适应特定的语料库，如Twitter。我们提出了一种用于聚类VerbKB的输出的方法：具有多个论元类型的动词，例如“marry（person，person）"，“feel（person，emotion）”。“我们利用一种新颖的动词及其参数的低维嵌入来产生高质量的集群，其中同一个动词可以根据其参数类型出现在不同的集群中。由此产生的动词集群比手工构建的集群在预测推特中的讽刺，情绪和控制点方面做得更好。
2017-08-01 cs.CL
Deriving the Predicate-Argument Structure for a Free Word Order Language
在相对自由的语序语言中，语法功能与格标记有着错综复杂的关系。假设一个有序的谓词-论元结构的表示，这项工作提出了一个组合范畴语法制定相关的表面情况线索的类别和类型，正确地放置在谓词-论元结构的参数。这是通过分配格标记GF编码类别来实现的。与其他CG公式不同，类型转换不会扩散或导致虚假的歧义。所有论元编码语法功能的范畴都遵循同一个范畴分配原则。组合形式的正常顺序评价揭示了谓词-论元结构。土耳其的方法的应用。
1998-08-20 cmp-lg cs.CL
Implicit Argument Prediction as Reading Comprehension
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
隐式参数，不能通过语法线索单独检测，使其更难提取谓词-参数元组。我们提出了一个新的模型，利用阅读理解的隐式参数预测，铸造的谓词参数元组与失踪的参数作为一个查询。我们还借鉴了指针网络和多跳计算。我们的模型在论元完形填空任务和名词性隐式论元预测任务上表现出了良好的性能。
2018-11-08 cs.CL
Semantically Constrained Multilayer Annotation: The Case of Coreference
Georgetown University（乔治城大学）；The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
我们提出了一个共指标注方案作为一个层上的通用概念认知标注基础层，治疗单位的谓词论元结构的基础上，实体和事件提到。我们认为，这使得共指注释者回避了其他方案中面临的一些挑战，这些方案不执行谓词-参数结构的一致性，并且在注释什么样的提及以及如何注释方面存在很大差异。所提出的方法进行检查与试点注释研究，并与其他计划的注释。
2019-06-11 cs.CL
A Benchmark for Cross-Domain Argumentative Stance Classification on Social Media
North Carolina State University（北卡罗来纳州立大学）
针对论辩立场分类基准单一领域且人工标注成本高的问题，提出利用平台规则、专家精选内容与大型语言模型构建涵盖21个领域、包含4,498个主题声明和30,961个论点的多领域基准，并在全监督、零样本和少样本设置下评估了不同方法。
2024-11-15 cs.AI cs.CL
A Linguistic Analysis of Visually Grounded Dialogues Based on Spatial Expressions
The University of Tokyo（东京大学）；Japan National Institute of Informatics（日本国家信息学研究所）；NII（信息学研究所（NII））
最近的模型在视觉接地对话中取得了可喜的成果。然而，现有的数据集往往包含不受欢迎的偏见，缺乏复杂的语言分析，这使得人们很难理解当前的模型如何识别其精确的语言结构。为了解决这个问题，我们做了两个设计选择：首先，我们专注于OneCommon语料库\citep{udagawa2019natural,udagawa2020annotated}，一个简单但具有挑战性的共同基础数据集，包含最小的设计偏差。其次，我们基于\textit{spatial expressions}分析了它们的语言结构，并为600个对话提供了全面可靠的注释。我们发现，我们的注释捕捉到重要的语言结构，包括谓词论元结构，修改和省略。在我们的实验中，我们通过参考分辨率来评估模型对这些结构的理解。我们证明了我们的注释可以揭示基线模型在基本细节水平上的优点和缺点。总的来说，我们提出了一个新的框架和资源调查细粒度的语言理解在视觉接地对话。
2020-10-07 cs.AI cs.CL
Improving Robustness by Augmenting Training Sentences with Predicate-Argument Structures
Technische Universität Darmstadt（达姆施塔特工业大学）；Ubiquitous Knowledge Processing Lab (UKP-TUDA)（普适知识处理实验室（UKP-TUDA））
现有的NLP数据集包含各种偏见，模型往往会快速学习这些偏见，这反过来又限制了它们的鲁棒性。现有的提高对数据集偏差的鲁棒性的方法主要集中在改变训练目标，以便模型从有偏差的示例中学习更少。此外，它们大多专注于解决特定的偏差，虽然它们提高了目标偏差的对抗性评估集的性能，但它们可能会以其他方式使模型产生偏差，从而损害整体鲁棒性。在本文中，我们建议增加训练数据中的输入句子与其相应的谓词参数结构，这提供了一个更高层次的抽象不同的实现相同的含义，并帮助模型识别句子的重要部分。我们表明，在不针对特定偏见的情况下，我们的句子增强提高了Transformer模型对多种偏见的鲁棒性。此外，我们发现，即使训练数据不包含这种偏差，模型仍然容易受到词汇重叠偏差的影响，并且句子增强也提高了这种情况下的鲁棒性。我们将在https://github.com/UKPLab/data-augmentation-for-robustness上发布我们的对抗数据集来评估这种情况下的偏见以及我们的增强脚本。
2020-10-23 cs.CL
Predicting Implicit Arguments in Procedural Video Instructions
University of Edinburgh（爱丁堡大学）；TU Darmstadt（德累斯顿理工大学）
针对过程性视频指令中隐式论元预测问题，提出Implicit-VidSRL数据集和iSRL-Qwen2-VL模型，显著提升多模态上下文推理和隐式语义角色标注性能。
2025-05-27 cs.CL cs.CV
JaSPICE: Automatic Evaluation Metric Using Predicate-Argument Structures for Image Captioning Models
Keio University（庆应义塾大学）
针对现有n元语法类图像字幕评估指标与人类评估相关性低、日语缺乏等效指标的问题，提出基于场景图的日语评估指标JaSPICE，实验证明其与人类评估的相关性优于基线指标。
2023-11-07 cs.CL cs.CV
Predicate-Argument Structure Divergences in Chinese and English Parallel Sentences and their Impact on Language Transfer
Department of Environmental Sciences, Informatics and Statistics（环境科学、信息学与统计学系）；Department of Linguistic Sciences And Foreign Literatures（语言科学与外国文学系）
本文针对汉英平行句的谓词论元结构差异展开分析，通过双向标注投影实验验证了语言迁移的不对称性，为跨语言NLP的源语言选择及相关研究提供参考。
2025-11-12 cs.AI cs.CL
Building a resource for studying translation shifts
本文介绍了一种跨学科的方法，它汇集了语料库语言学和翻译研究领域。它介绍了正在进行的工作，创建一个语料库资源，翻译转移明确注释。翻译移位是指在翻译过程中发生的偏离源文本和目标文本之间的正式对应关系的现象。如果机器翻译的输出与人类翻译相似，那么以系统的方式注释这种转变的资源将使研究需要解决的现象成为可能。本文中描述的资源包含英语源文本（议会议事录）及其德语翻译。移位注释基于谓词-论元结构，并分两步进行：首先，以简单的方式单语注释谓词及其论元。然后，相应的英语和德语谓词和参数彼此对齐。无论何时发生变化（主要是语法或语义上的变化），对齐都会被相应地标记。
2006-06-22 cs.CL
Neural-Davidsonian Semantic Proto-role Labeling
我们提出了一个语义原型角色标记（SPRL）模型，使用我们称之为“神经戴维森”的自适应双向LSTM编码策略：谓词-参数结构表示为与输入序列的谓词和参数头部标记对应的隐藏状态对。我们证明：（1）最先进的SPRL结果，（2）我们的网络自然地在属性之间共享参数，允许在有限的附加监督下学习新的属性类型。
2019-08-27 cs.CL
LPAttack: A Feasible Annotation Scheme for Capturing Logic Pattern of Attacks in Arguments
Tohoku University（东北大学）；Stony Brook University（石溪大学）；RIKEN（理化学研究所）；Ricoh Company, Ltd.（理光公司）
在辩论性话语中，说服往往是通过反驳或攻击他人的论点来实现的。攻击并不总是直截了当的，往往包括复杂的修辞动作，这样，攻击者可能同意一个论点的逻辑，同时攻击另一个逻辑。此外，论证者可能既不否认也不同意论证中的任何逻辑，而是忽略它们，通过提供新的逻辑来攻击论证的主要立场，并预设新的逻辑比被攻击的论证中存在的逻辑更有价值或更重要。然而，现有的计算论证研究中没有捕捉到攻击中如此复杂的修辞动作或其中的预设或价值判断。为了解决这一差距，我们引入LPAttack，一种新颖的注释方案，它捕获了攻击中的常见模式和复杂的修辞动作，以及其中隐含的预设和价值判断。我们的注释研究表明，适度的注释者之间的协议，表明人类注释的建议计划是可行的。我们公开发布我们的注释语料库和注释指南。
2022-04-04 cs.CL
Crowdsourcing Argumentation Structures in Chinese Hotel Reviews
Institute of Software Chinese Academy of Sciences（中国科学院软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Beijing Information Science and Technology University（北京信息科技大学）
论证挖掘的目的是自动提取自然语言文本中的声明-声明语篇结构。有一个很大的需求论证语料库的客户评论。然而，由于论证注释任务的争议性质，存在很少的大规模的客户评论论证语料库。在这项工作中，我们新颖地使用众包技术来收集中国酒店评论中的论证注释。作为第一个中文论辩语料集，我们的语料库包含4814个论元成分标注和411个论元关系标注，其标注质量可以与其他语言中广泛使用的论辩语料库相媲美。
2017-05-05 cs.CL
Refining Implicit Argument Annotation for UCCA
University of Copenhagen（哥本哈根大学）
谓词论元结构分析是语篇意义表征的核心内容。事实上，一些参数在句子中没有明确提到，这会导致语言理解的歧义，并使机器难以正确地解释文本。然而，只有很少的资源代表隐含的作用，自然语言理解，现有的研究在自然语言处理只是粗略的区别类别的参数省略从语言形式。本文在泛概念认知标注的基础层之上，提出了一种细粒度隐式论元标注的类型学。隐式论元分类是由隐式角色解释理论驱动的，包括六种类型：指示语、类属语、体裁型、可识别类型、非特定类型和迭代集。我们重新访问了UCCA EWT语料库的一部分，提供了一个新的数据集与细化层的注释，并与其他方案进行了比较分析，以验证我们的设计。
2021-04-08 cs.CL
Crowdsourcing Question-Answer Meaning Representations
Bar-Ilan University（巴伊兰大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
我们引入了问答意义表征（QAMRs），它将句子的谓词-论元结构表示为一组问答对。我们还开发了一个众包方案，表明QAMR可以通过很少的训练进行标记，并收集了一个包含5,000多个句子和10万个问题的数据集。详细的定性分析表明，群体生成的问题-答案对涵盖了现有数据集（包括PropBank，NomBank，QA-SRL和AMR）中的绝大多数谓词-参数关系，以及许多以前资源不足的关系，包括隐式参数和关系。QAMR数据和注释代码是公开的，以使未来的工作如何最好地模拟这些复杂的现象。
2017-11-16 cs.CL
Fearful Falcons and Angry Llamas: Emotion Category Annotations of Arguments by Humans and LLMs
University of Bamberg（班贝格大学）
本研究通过众包标注德语论证语料库中的离散情感类别，并评估三种提示策略在三个LLM上的自动标注效果，发现情感类别能提升情感性预测，但自动预测对负面情感存在偏见。
2025-04-22 cs.CL
MAVEN-Arg: Completing the Puzzle of All-in-One Event Understanding Dataset with Event Argument Annotation
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；WeChat AI, Tencent Inc（腾讯微信人工智能）
本文提出首个覆盖事件检测、论元提取、关系提取的全流程一体化事件理解数据集MAVEN-Arg，其标注规模大、体系全面，对现有EAE模型和大语言模型均具挑战性，还可支撑未来事件预测等应用研究。
2024-06-18 cs.CL
Argument Quality Annotation and Gender Bias Detection in Financial Communication through Large Language Models
First Author Affiliation（第一作者机构）；Second Author Affiliation（第二作者机构）
本文探讨了GPT-4o、Llama 3.1和Gemma 2在金融交流中标注论点质量的能力，评估了其标注一致性并引入对抗性攻击检测性别偏见，发现LLM标注一致性高于人类但存在偏见，为未来更可靠的标注方法提供了建议。
2025-07-22 cs.CL
Morphological Reinflection with Multiple Arguments: An Extended Annotation schema and a Georgian Case Study
Bar-Ilan University（巴伊兰大学）
近年来，出现了一系列形态数据集，最著名的是UniMorph，一个多语言的屈折变化表库。然而，当前形态学注释图式的扁平结构使得对某些语言的处理变得古怪，如果不是不可能的话，特别是在多人称协议的情况下，其中动词同意使用真正的词缀的多个论点。在本文中，我们建议解决这一现象，通过扩展UniMorph注释模式的层次特征结构，自然适应复杂的参数标记。我们将这种扩展模式应用于这样一种语言，格鲁吉亚，并提供了一个人类验证，准确和平衡的格鲁吉亚动词形态数据集。与现有的UniMorph数据集相比，该数据集具有4倍多的表和6倍多的动词形式，涵盖了所有可能的参数标记变体，证明了我们提出的方案的充分性。标准反射模型的实验表明，当数据在表单级别分裂时，泛化很容易，但当沿着引理线分裂时，泛化非常困难。将UniMorph中的其他语言扩展到这个模式有望提高这个基准的覆盖率，一致性和可解释性。
2022-03-20 cs.CL
Parsimonious Argument Annotations for Hate Speech Counter-narratives
Universidad de Buenos Aires（布宜诺斯艾利斯大学）；Universidad Nacional de Córdoba（科尔多瓦国立大学）
我们提出了一个丰富的仇恨言论推文的Hateval语料库（Basile等。2019年1月29日），旨在促进自动化反叙事生成。相比以前的工作（Chung et. 2019年），手动编写的反叙述与推文相关联。然而，这些信息本身似乎不足以获得令人满意的反叙事生成的语言模型。这就是为什么我们还根据Wagemanns（2016）对推文进行了注释，我们认为这有助于为针对特定群体的仇恨言论建立令人信服和有效的反叙述。我们讨论了这个注释过程的不足和困难，并提出了几个基线自动检测的注释元素。初步结果表明，自动注释器执行接近人类注释器检测论证的某些方面，而其他人只达到低或中等水平的注释器间的协议。
2022-08-01 cs.CL
