SRL(Semantic Role Labelling): 语义角色标注

0. Introduction

在自然语言处理中，从分析技术上可以分为下面三种

1. 词法分析 lexical analysis
2. 句法分析 syntactic parsing
3. 语义分析 semantic parsing

1. SRL定义

Semantic Role Labeling (SRL) is defined as the task to recognize arguments for a given predicate and assign semantic role labels to them.

语义角色标注（Semantic Role Labeling，SRL）以句子的谓词为中心，不对句子所包含的语义信息进行深入分析，只分析句子中各成分与谓词之间的关系，即句子的谓词(Predicate)- 论元(Argument)结构，并用语义角色来描述这些结构关系。

2. 语料、语义角色

语料：

• 英文的SRL数据集：FrameNet, PropBank
• 中文的SRL数据集：Chinese Proposition Bank(CPB)

语义角色：

• 谓词(predicate): 是整个句子的核心词，一般是动词或者形容词。
• 核心论元(core arguement)：表示跟这个谓词直接相关的论元，用$ArgN$来表示， N ∈ { 0 , 1 , 2 , 3 , 4 , 5 , …   } N\in \{0,1,2,3,4,5,\dots\} N∈{0,1,2,3,4,5,…}。
• 语义修饰语(semantic adjunct): 表示不与谓词直接相关的论元，可独立存在，用$ArgM-XXX$来表示，例如时间、地点、目的、程度、范围等等。
  

SRL语义角色标签及其含义：

SRL实例：
例子1：

• 谓词：遇到
• 施事：小明
• 受事：小红
• 时间：昨天
• 地点：公园

语义角色标注就是要针对句子中的（核心）谓词来确定其他论元以及其他论元的角色。

3. 传统的SRL方法

传统的SRL系统大多建立在句法分析基础之上，通常包括6个流程：

1. 构建一棵句法分析树。例如：图1是对上面例子进行依存句法分析得到的一棵句法树。
   
   $$图1.依存句法分析句法树示例$$
   

2. 从句法树上识别出给定谓词的候选论元。

3. 候选论元剪除：指从句子中剪除掉不可能成为论元的词。通常采用基于规则的方法，例如遍历语法树、句法依存树等方法。

4. 论元识别：指从候选论元中识别出所有属于该谓词的论元。一般看作二值分类问题，采用SVM或者最大熵分类等方法。

5. 论元标注：指对识别出的论元赋予语义角色。一般看作多值分类问题，通过多分类得到论元的语义角色标签。

6. 后处理：指对标注结果进行进一步处理。例如删除语义重复的论元等。

可以看到，句法分析是基础，并且后续步骤常常会构造的一些人工特征，这些特征往往也来自句法分析。

然而，完全句法分析需要确定句子所包含的全部句法信息，并确定句子各成分之间的关系，是一个非常困难的任务，目前技术下的句法分析准确率并不高，句法分析的细微错误都会导致SRL的错误。为了降低问题的复杂度，同时获得一定的句法结构信息，“浅层句法分析”的思想应运而生。浅层句法分析也称为部分句法分析（partial parsing）或语块划分（chunking）。和完全句法分析得到一颗完整的句法树不同，浅层句法分析只需要识别句子中某些结构相对简单的独立成分，例如：动词短语，这些被识别出来的结构称为语块。为了回避 “无法获得准确率较高的句法树” 所带来的困难，一些研究[1]也提出了基于语块（chunk）的SRL方法。
基于语块的SRL方法将SRL作为一个序列标注问题来解决。

序列标注任务一般都会采用BIO表示方式来定义序列标注的标签集，我们先来介绍这种表示方法。在BIO表示法中，B代表语块的开始，I代表语块的中间，O代表语块结束。通过B、I、O 三种标记将不同的语块赋予不同的标签，例如：对于一个角色为A的论元，将它所包含的第一个语块赋予标签B-A，将它所包含的其它语块赋予标签I-A，不属于任何论元的语块赋予标签O。

我们继续以上面的这句话为例，图2展示了BIO表示方法

$$图2.BIO标注方法示例$$

从上面的例子可以看到，根据序列标注结果可以直接得到论元的语义角色标注结果，是一个相对简单的过程。这种简单性体现在：

（1）依赖浅层句法分析，降低了句法分析的要求和难度；

（2）没有了候选论元剪除这一步骤；

（3）论元的识别和论元标注是同时实现的。这种一体化处理论元识别和论元标注的方法，简化了流程，降低了错误累积的风险，往往能够取得更好的结果。

4. 基于神经网络的SRL

基于RNN
基于Bert（更多详情点击这篇论文-Appendix A.1）