基于成分树图卷积的句法感知语义角色标注
计算与语言
2020-11-24 v3 机器学习
摘要
语义角色标注（SRL）的任务是识别谓词并用语义角色标注论元跨度。尽管大多数语义角色形式体系建立在成分句法之上，且只有句法成分可被标注为论元（例如 FrameNet 和 PropBank），近期所有关于句法感知 SRL 的研究都依赖于句法的依存表示。相比之下，我们展示了如何利用图卷积网络（GCNs）来编码成分结构并为 SRL 系统提供信息。我们的 SpanGCN 中的节点对应于成分。计算分三个阶段进行。首先，通过“组合”该成分中首词与尾词的词表示来生成初始节点表示。其次，执行依赖于成分树的图卷积，产生句法感知的成分表示。最后，将成分表示“分解”回词表示，这些词表示随后用作 SRL 分类器的输入。我们在标准 CoNLL-2005、CoNLL-2012 和 FrameNet 基准上评估了 SpanGCN 与多种替代模型（包括一个在依存树上使用 GCNs 的模型）对比，展示了其有效性。
引用
@article{arxiv.1909.09814,
title = {Graph Convolutions over Constituent Trees for Syntax-Aware Semantic Role Labeling},
author = {Diego Marcheggiani and Ivan Titov},
journal= {arXiv preprint arXiv:1909.09814},
year = {2020}
}
备注
Published in proceedings of EMNLP 2020