摘要

作为分析句子语义结构的重要任务，语义角色标注（Semantic Role Labeling, SRL）旨在确定名词短语相对于给定谓词的语义角色（如施事者），因此在对话系统等下游任务中发挥着关键作用。为了提升SRL的性能，模型必须具备对上下文信息的良好理解能力。尽管可以借助先进的文本编码器（如BERT）来捕捉上下文信息，但为进一步提升模型表现，仍需引入额外资源。考虑到句子的句法结构与语义结构之间存在内在关联，以往许多研究通过图结构架构，利用自动生成的句法知识（尤其是依存关系）来增强上下文建模，而对其他类型的自动生成知识则关注较少。本文提出一种“映射记忆”（map memories）机制，通过编码来自现成工具包的多种自动生成句法知识（包括词性标注、句法成分结构和词语依存关系），以增强SRL建模能力。在两种英文标准SRL基准数据集（即CoNLL-2005和CoNLL-2012）上的实验结果表明，所提方法有效提升了模型性能，在CoNLL-2005上取得了当前最优（state-of-the-art）的标注效果，并显著超越了多个强基线模型。