语义角色标注(Semantic Role Labeling,SRL)是浅层语义分析的一种实现方式,该任务不对整个句子进行详细的语义分析,而只识别谓词的论元,并给它们附上有意义的角色标签。典型的语义角色包括施事,受事,来源,目的等。这些角色表示的语义信息对问答系统、信息抽取、机器翻译等自然语言处理领域起到非常重要的作用。 目前基于机器学习的中文语义角色标注方法大致可以分为两类:基于深层句法分析的方法和基于浅层句法分析的方法。本文首先在基于深层句法分析的SRL的特征集上做了进一步探索,然后对基于这两种方法的SRL系统在性能上做了对比,最后采用联合的方法联合这两种不同方法的SRL系统的输出,通过一些全局特征,如多少系统输出了同样的角色等,训练出联合模型,对候选角色进行过滤,然后解决不满足句子论元结构限制的冲突角色得到最终标注结果,来提高标注的性能。在Chinese PropBank 1.0语料集上,联合模型的F值达到了78.41%,在基于深层句法分析的SRL的F值67.34%和基于浅层句法分析的SRL的F值71.67%基础了有了显著的提高,从而证明我们的联合方法是非常有效的。……
