SRL4ORL：利用语义角色标注的多任务学习改进观点角色标注
计算与语言
2018-04-20 v3
摘要
十余年来，机器学习一直被用于从文本中抽取观点持有者-目标结构，以回答“谁对什么表达了何种情感？”这一问题。近期的神经方法在观点角色标注（ORL）上并未超越最先进的基于特征的模型。我们怀疑这是由于标注训练数据的稀缺，并利用具有显著更多数据的关联任务即语义角色标注（SRL），通过不同的多任务学习（MTL）技术来解决该问题。我们表明，在开发集和测试集上，两个 MTL 模型在持有者与目标的标注上均显著优于单任务模型。我们发现，仅使用共享的 ORL 与 SRL 特征进行预测的朴素 MTL 模型表现最佳。通过更深入的分析，我们确定了哪些方法有效以及可能采取何种措施来进一步改进 ORL。
引用
@article{arxiv.1711.00768,
title = {SRL4ORL: Improving Opinion Role Labeling using Multi-task Learning with Semantic Role Labeling},
author = {Ana Marasović and Anette Frank},
journal= {arXiv preprint arXiv:1711.00768},
year = {2018}
}
备注
Published in NAACL 2018