重新审视语义角色标注：基于依赖信息的高效结构推断
计算与语言
2026-05-05 v1
摘要
语义角色标注（SRL）提供了谓词-论元结构的显式表示，捕捉诸如谁对谁做了什么等语言学依存关系。虽然近期 NLP 进步由大型语言模型（LLM）主导，但这些系统往往依赖隐式语义表征，缺乏显式的结构约束和系统性解释机制。传统上，SRL 系统常依赖 AllenNLP；然而，该框架于 2022 年 12 月进入维护模式，限制了与新兴编码器架构和现代推断需求的兼容性。我们重新审视结构化 SRL 建模，引入现代化的编码器框架，既保留显式谓词-论元结构，又实现推断速度提升 10 倍。使用 BERT-base 模型，模型在预测性能上与原模型相当，RoBERTa 和 DeBERTa 进一步在同一框架下提升 F1 分数。我们采用依赖信息诊断方法来刻画跨度水平的不一致性，并对 LLM 在依赖信息结构信号下的表示进行层面分析。结果表明，依赖线索主要改善结构稳定性。最后，我们说明该框架的显式谓词-论元结构可支持多语言 SRL 投影作为下游应用。
引用
@article{arxiv.2605.02505,
title = {Revisiting Semantic Role Labeling: Efficient Structured Inference with Dependency-Informed Analysis},
author = {Sangpil Youm and Leah Jones and Bonnie J. Dorr},
journal= {arXiv preprint arXiv:2605.02505},
year = {2026}
}
备注
13 pages, 9 figures