基于关联记忆网络的语义角色标注
计算与语言
2019-08-08 v1 人工智能
机器学习
摘要
语义角色标注（SRL）是识别句子所有谓词-论元对的任务，在一系列最新工作提出后其性能提升陷入瓶颈。本文提出一种由所提关联记忆网络（AMN）增强的、与句法无关的 SRL 模型，其利用已知标签的关联句子间的句子间注意力作为一种记忆，进一步增强基于依赖的 SRL。具体而言，我们使用训练集中的句子及其标签作为关联记忆线索，以帮助标注目标句子。此外，我们在 AMN 中比较了若干关联句子选择策略与标签合并方法，以在注意力作用于关联句子时发现并利用其标签。通过借助来自已知训练数据的注意力记忆，我们的完整模型在 CoNLL-2009 基准数据集上于与句法无关设定中达到最优（state-of-the-art），展示了除利用如良好预训练语言模型等外部资源之外一条新的有效 SRL 增强研究路线。
引用
@article{arxiv.1908.02367,
title = {Semantic Role Labeling with Associated Memory Network},
author = {Chaoyu Guan and Yuhao Cheng and Hai Zhao},
journal= {arXiv preprint arXiv:1908.02367},
year = {2019}
}
备注
Published at NAACL 2019; This is camera Ready version; Code is available at https://github.com/Frozenmad/AMN_SRL