低资源对话语料上用于神经语义角色标注的多任务主动学习
计算与语言
2018-06-06 v1
摘要
大多数语义角色标注（SRL）方法都是监督方法，需要大量标注语料，且标注工作需语言学专业知识。本文提出一种以实体识别（ER）为辅助任务的语义角色标注多任务主动学习框架，以缓解对大量数据的需求，并利用 ER 的附加信息辅助 SRL。我们在印尼语对话数据集上评估了该方法。实验表明，多任务主动学习优于单任务主动学习方法与标准多任务学习。根据我们的结果，在单任务与多任务设定下，主动学习相比被动学习少用 12% 的训练数据，因而更高效。我们还引入了印尼语对话领域 SRL 的新数据集，以推动该方向的进一步研究。
引用
@article{arxiv.1806.01523,
title = {Multi-Task Active Learning for Neural Semantic Role Labeling on Low Resource Conversational Corpus},
author = {Fariz Ikhwantri and Samuel Louvan and Kemal Kurniawan and Bagas Abisena and Valdi Rachman and Alfan Farizki Wicaksono and Rahmad Mahendra},
journal= {arXiv preprint arXiv:1806.01523},
year = {2018}
}
备注
ACL 2018 workshop on Deep Learning Approaches for Low-Resource NLP