摘要
近期基于BIO标记的神经语义角色标注模型表现出色，但这些模型假设输入中包含黄金谓词，并且无法整合区间级别的特征。我们提出了一种端到端的方法，用于联合预测所有谓词、论元区间以及它们之间的关系。该模型对每一对可能的词语-区间之间是否存在某种关系做出独立决策，并学习上下文化区间表示，为每个决策提供丰富的共享输入特征。实验结果表明，这种方法在没有黄金谓词的情况下，在PropBank语义角色标注任务上达到了新的最先进水平。
代码仓库
luheng/lsgn
官方
tf
GitHub 中提及
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| semantic-role-labeling-on-conll-2005 | He et al. (2018) + ELMo | F1: 86.0 |
| semantic-role-labeling-on-conll-2005 | He et al. (2018) | F1: 82.5 |
| semantic-role-labeling-on-ontonotes | He et al. | F1: 82.1 |
| semantic-role-labeling-on-ontonotes | He et al., | F1: 85.5 |
| semantic-role-labeling-predicted-predicates | He et al. 2018 + ELMo | F1: 86.0 |
| semantic-role-labeling-predicted-predicates | He et al. (2018) | F1: 86.0 |
| semantic-role-labeling-predicted-predicates | He et al. 2018 | F1: 82.5 |
| semantic-role-labeling-predicted-predicates-1 | He et al. 2018 + ELMo | F1: 82.9 |
| semantic-role-labeling-predicted-predicates-1 | He et al. 2018 | F1: 79.8 |