面向语义角色与原型角色联合标注的多任务学习
计算与语言
2022-10-17 v1
摘要
我们提出一个端到端多步机器学习模型，在给定句子及其谓词的情况下，联合标注语义角色与 Dowty (1991) 的原型角色。我们的最佳架构首先学习论元跨度，随后学习论元的句法中心词。该信息被共享给后续步骤以预测语义角色和原型角色。我们还尝试了从论元和中心词预测到角色与原型角色标注的迁移学习。我们比较了用于词、论元和句子的静态与上下文嵌入。与以往工作不同，我们的模型不需要在额外任务上进行预训练或微调，仅需使用现成的（静态或上下文）嵌入与监督信号。它也不需要将论元跨度、其语义角色和/或其金标准句法中心词作为额外输入，因为它在训练过程中学习预测所有这些内容。我们的多任务学习模型提升了大多数原型角色的当前最优预测水平。
引用
@article{arxiv.2210.07270,
title = {Multi-Task Learning for Joint Semantic Role and Proto-Role Labeling},
author = {Aashish Arora and Harshitha Malireddi and Daniel Bauer and Asad Sayeed and Yuval Marton},
journal= {arXiv preprint arXiv:2210.07270},
year = {2022}
}
备注
10 pages including references. 2 figures. First 2 authors contributed significantly