从兼容标签序列中学习语义角色标注
计算与语言
2023-10-23 v3 机器学习
摘要
语义角色标注（SRL）具有多个互不相交的标签集，例如 VerbNet 与 PropBank。构建这些数据集颇具挑战，因此一个自然的问题是应如何利用其中之一来帮助另一个。先前工作表明跨任务交互有所帮助，但迄今仅探索了多任务学习。多任务设置的一个常见问题是论元序列仍被分别解码，存在生成结构不一致标签序列（依据 Semlink 等词典）的风险。在本文中，我们采用一种将 VerbNet 与 PropBank 标签联合建模为单一序列的框架消除了该问题。在此设置下，我们展示在解码时强制施加 Semlink 约束持续提升了整体 F1。借助特殊输入构造，我们的联合模型从给定 PropBank 论元推断 VerbNet 论元的 F1 超过 99。对于学习，我们提出一种约束边际模型，利用 Semlink 中定义的知识进行学习，以进一步受益于大量仅含 PropBank 的数据。在基于 CoNLL05 的联合基准上，我们的模型取得了最先进的 F1，分别以 3.5（VerbNet）和 0.8（PropBank）优于先前最佳域内模型。对于域外泛化，我们的模型分别以 3.4（VerbNet）和 0.2（PropBank）超越先前最佳。
引用
@article{arxiv.2305.14600,
title = {Learning Semantic Role Labeling from Compatible Label Sequences},
author = {Tao Li and Ghazaleh Kazeminejad and Susan W. Brown and Martha Palmer and Vivek Srikumar},
journal= {arXiv preprint arXiv:2305.14600},
year = {2023}
}
备注
Accepted at Findings of EMNLP 2023