语义角色模型从动词域到名词域的无监督迁移
计算与语言
2020-12-08 v2 机器学习
摘要
语义角色标注（SRL）是一项涉及将谓语论元分配至称为语义角色类型的 NLP 任务。尽管 SRL 研究主要关注动词谓语，且许多可用的 SRL 资源仅提供动词标注，但语义关系常由其他语言结构触发，例如名词化。在本工作中，我们研究一种迁移场景，假设源动词域具有角色标注数据，而目标名词域仅有未标注数据。使我们能在两域间迁移的关键假设是，某一角色的选择偏好（即对可容许论元的偏好或约束）并不强烈依赖于该关系由动词还是名词触发。例如，同一组论元可填充动词谓语“acquire”及其名词形式“acquisition”的 Acquirer 角色。我们从变分自编码视角处理该迁移任务。标注器充当编码器（给定句子预测角色标签），而选择偏好由解码器组件捕获（为预测角色生成论元）。名词角色在训练数据中未被标注，学习目标转而推动标注器分配可预测论元的角色。跨域共享解码器参数鼓励两域预测标签间的一致性并促进迁移。该方法在 English CoNLL-2009 数据集上大幅优于无监督与“直接迁移”等基线方法。
引用
@article{arxiv.2005.00278,
title = {Unsupervised Transfer of Semantic Role Models from Verbal to Nominal Domain},
author = {Yanpeng Zhao and Ivan Titov},
journal= {arXiv preprint arXiv:2005.00278},
year = {2020}
}
备注
Our code is available at https://github.com/zhaoyanpeng/srltransfer