语义角色标注相关论文解析

最新推荐文章于 2024-04-25 16:26:08 发布

mmichazzj

最新推荐文章于 2024-04-25 16:26:08 发布

阅读量889

点赞数

分类专栏： NLP

本文链接：https://blog.csdn.net/m0_37722110/article/details/96202467

版权

本文介绍了Zhou和Xu, 2015年的一篇关于SRL的论文，提出使用end-to-end的BD-LSTM模型替代传统基于句法信息的方法。该模型无需句法解析，仅用原始文本信息，通过8层双向LSTM和CRF进行序列标注。实验表明，LSTM结构能有效提取序列信息，预训练词向量、predicate context和region mark特征对提高模型性能至关重要。" 120858396,10004720,深入理解JavaScript作用域,"['JavaScript', 'ES6', '作用域', '变量管理']

摘要由CSDN通过智能技术生成

语义角色标注（Semantic Role Labeling，SRL）的使用范围很广泛，可以作为信息抽取（Information Extraction）、自动答复（Question Answering）、机器翻译（Machine Translation）的中间步骤。本篇博文将介绍 Zhou and Xu, 2015 的一篇论文，希望能对读者有所启发。

SRL的目标是找到给定句子里的谓词（predicate）相关的成分与此谓词的角色关系，被认为是一种监督学习问题（supervised machine learning）。传统方法中，比如逻辑回归（Logistics Regression，LR）、支持向量机（Supported Vector Machine，SVM）等线性分类器基于特征来完成此任务：