基于谓词导向隐图的对话语义角色标注
计算与语言
2022-10-07 v1 人工智能
摘要
对话语义角色标注（CSRL）是一项新提出的任务，旨在揭示对话文本中的浅层语义结构。遗憾的是，现有工作忽视了 CSRL 任务的若干重要特征，例如结构信息整合、近邻影响。在本工作中，我们研究为 CSRL 整合隐图。我们提出以谓词为中心的高斯机制自动诱导出谓词导向隐图（POLar），借此更靠近谓词且信息量更大的词将被分配更多注意力。POLar 结构随后被动态剪枝与精炼，以最佳契合任务需求。我们还引入一个有效的对话级预训练语言模型 CoDiaBERT，以更好地支持多句话语并处理 CSRL 中的说话人共指问题。我们的系统在三个基准 CSRL 数据集上以大幅优势超越最强基线，尤其在跨话语论元检测上取得超过 4% 的 F1 分数提升。我们给出了进一步分析以更好理解所提方法的有效性。
引用
@article{arxiv.2210.03037,
title = {Conversational Semantic Role Labeling with Predicate-Oriented Latent Graph},
author = {Hao Fei and Shengqiong Wu and Meishan Zhang and Yafeng Ren and Donghong Ji},
journal= {arXiv preprint arXiv:2210.03037},
year = {2022}
}