JointParsingandSemanticRoleLabeling.pptVIP

联合句法分析和语义角色标注 2010-3-16 提纲 1.动机 2.引言 3.Base SRL系统 4.使用SRL的重排句法树 5.实验和探讨 6.句法树的总结 7.结论和相关工作 动机 将语义角色标注（SRL）和句法分析相结合 达到提高SRL的F1值的目的。 1.引言 方法：加权求和句法分析模型和SRL模型 实验效果： F1值并未得到提高 文中分析原因： SRL打分不可信，模型是局部训练的 2.Base SRL 系统 分为三个阶段： 2.1 Base SRL 第一步 修剪 去掉确定不要的语义成分 SRL基本概念： 语义角色分为谓词成分和论元。 例如： 动词可以作为谓词成分 论元是动作的承受者或是动作的执行者 2.2 Base SRL 第二步 标识 使用二分ME 需保留的成分 为Null且高概率成分 2.3 Base SRL 第三步 分类 分成多类： 成分 1 成分 2 ... Null 语义论元重叠问题： 采用一种递归算法解决 3.使用SRL的重排句法树 联合概率模型： P F,t|x P F|t,x P t|x 其中： x表示句子 F表示语义 t表示语法树 P F|t,x 为Base SRL 模型概率 P t|x 为给定标准概率语法模型 3.1最大化重排方法 （1）每个句子（语法树）生成一个k-best列表 （2）使用base SRL 模型选择一个最好的SRL框架。 （3）本文重排方法不同之处在于：语法树的选择和SRL框架是从base 模型中选出最优的 注：k-best列表生成方法使用Dan Bikel’s 2004 4.实验和探讨 主要讨论几种方法的对比实验结果 （1）base 系统数据 （2）作弊的实验数据组 （3）本文k-best 树方法 作弊的实验:从k-best列表中选取一棵句法分析树与标准句法分析树最接近的进行实验。 参见Table 3 row 3 row 4 三组实验对比 Table 3 4.1基于综合评分的重排 本文k-best tree方法 参见Table 3 row 5 实验调节参数时： SRL权重越大，整个系统的效果越差 4.2 采用全局特征训练的重排 1.Collins 2000 的重排方法 参见参考文献 2010.5.11讨论文2 2.Toutanova方法：一个句法树的重排的k-best 句法树的SRL框架 3.本文使用的是k-best句法树中重排之后的1-best SRL框架 实验表明：采用全局特征训练方法不如1-best 句法分析方法 参见table 3 row 6 相差0.3 5.句法分析树总结 实验的重点： 获得一个优良语义框架, 但是结果并不奏效 弱化句法树：用求和句法分析树来代替最大化句法分析树 P F|x 6.结论和相关工作 两个失败的经验教训 1.Gildea Jurafsky 2002参考文献3 2.本文ME SRL 模型 下一步研究最大化求和方法，以避免最大化重排方法的缺陷。 一些思考 1. 一定规模的、高质量、分类科学的适合语义处理的语料（统计方法可用的前提） 2.现有知网和词林是否可以胜任语义知识的重任？ 3.联合句法分析和SRL的方法值得思索，如果能有数学融合公式的理论支持是否会更好？ 4.SMT和语义分析 赵一霖 2010年3月16日 * 修剪 标识 分类 *