,

1 Background

What is Semantic Parsing?

将自然语言的句子映射为一种完全的形式化语言，这种语言：拥有丰富的类型、属性和关系本体；支持自动化推理和执行。

2 Predicate Logical Query Language

谓词逻辑查询语言是语义分析中表示的一种方式，该语言基于谓词逻辑。

Challenges

  1. 词义的多样性。given a book 和 give a code
  2. 难以捕捉角色间的相似性：givers , takers, holders

Solutions

  1. 细化谓词语义：Give_transfer_Possession , Gice_infect
  2. 泛化角色: Giver, Takers 都是 Agent

3 Semantic Role Labeling

语义角色是一种浅层的语义表示，以谓词为核心，分析其他成分和谓词之间的关系。简而言之，就是用5W1H去分解一个自然语言句子。

3.1 Semantic Role

  • Agent: Subject
  • Patient: Direct Object
  • Instrument：Object of “with“ PP
  • Beneficiary：Object of ”for“ PP
  • Source：Object of ”from“ PP
  • Destination：Object of ”to“ PP

Note：句法位置和语义角色的对应关系只是一种偏好，而不是规则。例如：given to 不是 Destination ； go with 不是Instrument

3.2 Selectional Restrictions

例如：
Agent should be animate。
Instruments should be tools
Patients of “eat” should be edible

这些先验知识对语义规则添加了限制，帮助我们进行语义角色标注

本体泛化后进行规则判断，可以使用WordNet来辅助泛化，再利用规则进行判断

Selectional Restrictions and Syntactic Ambiguity

Example:

  • John hit the man with a dog
  • Jhon hit the man with a hammer

Selectional Restrictions and Word Sense Disambiguation

  • Ambiguous nouns

    • John wrote it with a pen
      • Instruments of “write” should be WritingImplements

  • Ambiguous verbs

    • “John fired the secreatary”
    • “John fired the rifle”
      • Patients of DischargeWeapon should be Weapons
      • Patients of CeaseEmploment should be Human

4 SRL Datasets

4.1 FrameNet

基本概念：FrameNet基于“框架”的概念，每个框架描述了一种特定语境中的事件或情景。咋框架中，标注了与该事件相关的语义角色，强调了时间的预警依赖性

应用领域：FrameNet由于强调预警，对于涉及事件、语境和实体之间关系的任务更加适用

覆盖范围：通常涵盖更加广泛的语义现象。

  • 工作方式： 定义数百个特定的“场景”（如“商业交易”、“刑事判决”）。
  • 角色命名： 角色名称非常具体，直接描述该场景下的实体。
    • 例子： 在 “JUDGEMENT”（判决/评价） 这个框架中，动词 blame, praise, admire 都会触发这个框架。
    • 角色： JUDGE (评价者), EVALUEE (被评价者), REASON (原因)。
  • 覆盖范围： 不仅包含动词，还包含名词（如 fault, admiration）形容词等。

4.1.1 数据库构建

  1. 确定框架：选定特定的语义框架
  2. 选择目标词：确定哪些词可以唤起该框架
  3. 语料库筛选：从语料库中筛选出包含这些目标词的句子
  4. 人工标注：语言学家对这些句子进行语义角色标注

4.1.2 SRL 过程

  1. 框架识别
  2. 候选填充语分析
  3. 角色填充
  4. 处理关联关系

4.1.3 Relations between FrameNet

FrameNet 可以组成一个框架关系图谱，框架之间存在着层级和逻辑关联。

  • 继承关系 (Inheritance relation)。子框架继承父框架的所有属性。
  • 致使关系 (Causative_of relation)。一个动作导致了另一个状态/事件的发生。

4.2 PropBank

基本概念：PropBank则着眼于动词,并通过标注动词的论元结构来进行语义角色标注。它基于树库(Treebank)的信息,提供了关于动词的论元结构的详细标注。

应用领域：PropBank主要关注动词的论元结构,因此更适合涉及动作和动作执行者的任务。

覆盖范围：PropBank的关注点主要在于动词和与动词相关的论元。

  • 核心理念： 它是 Penn Treebank（宾州树库，著名的句法库）的语义扩充版。它的目的是给树库中的每一个动词节点加上语义标签。
  • 工作方式： 针对每一个具体的动词，定义其论元结构。
  • 角色命名： 为了避免像 FrameNet 那样定义成千上万个具体角色名，它采用了抽象编号 (Arg0 - ArgN)。
    • 核心定义（基于 Proto-Roles）：
      • Arg0: 原型施事者 (Proto-Agent)，通常是动作的主动发起者。
      • Arg1: 原型受事者 (Proto-Patient)，通常是动作的影响承受者。
      • Arg2 - Arg5: 根据具体动词不同而不同（含义不固定）。

These roles are specific to each verb frame (Verb-Specific), but Arg0 and Arg1 follow a consistent “Proto-Role” definition across most verbs.

Role Label Prototype / General Category Detailed Definition (Based on Dowty 1991) Consistency
Arg0 Proto-Agent • Volitional involvement in event or state.
• Sentience (and/or perception).
• Causes an event or change of state in another participant.
• Movement (relative to position of another participant).		 High
(Consistent across verbs)
Arg1 Proto-Patient • Undergoes change of state.
• Causally affected by another participant.
• Stationary relative to movement of another participant.		 High
(Consistent across verbs)
Arg2 Instrument / Beneficiary / Attribute Often used for: Instrument, Benefactive, Attribute, or End State. Low
(Varies by verb sense)
Arg3 Start Point / Attribute Often used for: Start Point, Benefactive, Instrument, or Attribute. Low
(Varies by verb sense)
Arg4 End Point Often used for: The end point. Low
(Varies by verb sense)
Arg5 Modifier (Used less frequently, definition depends entirely on the verb frame). Low
(Varies by verb sense)

4.2.1 Example:

  1. 动词：Agree (同意)

(1) 角色定义 (Frame Roles)

标签 含义 (Description)
Arg0 Agreer (同意者，主动发出动作的人)
Arg1 Proposition (被同意的主张/提议)
Arg2 Other entity agreeing (共同同意的另一方)

(2) 标注案例 (Examples)

  • 案例 A：

    “The group agreed it wouldn’t make an offer.”

    • [Arg0 The group] agreed [Arg1 it wouldn’t make an offer].

  • 案例 B：

    “Usually John agrees with Mary on everything.”

    • [ArgM-TMP Usually] [Arg0 John] agrees [Arg2 with Mary] [Arg1 on everything].
  1. 动词：Fall (下跌/落下)

这个例子非常特殊，课件特意强调了它没有 Arg0。

(1) 角色定义 (Frame Roles)

标签 含义 (Description)
Arg1 Logical subject, patient, thing falling (下跌物，逻辑主语)
Arg2 Extent, amount fallen (下跌的幅度/量)
Arg3 Start point (起点)
Arg4 End point, end state of arg1 (终点/最终状态)

关键问题： 为什么 fall 没有 Arg0？
答案： 因为 “fall” 通常被视为非自主的动作（Unaccusative），没有原型施事者 (No Proto-Agent) 导致这个动作发生。与之相对的是 “push” 或 “drop”（有人让它掉）。

(2) 标注案例 (Examples)

  • 案例 A：

    “Sales fell to $25 million from $27 million.”

    • [Arg1 Sales] fell [Arg4 to $25 million] [Arg3 from $27 million].

  • 案例 B：

    “The average junk bond fell by 4.2%.”

    • [Arg1 The average junk bond] fell [Arg2 by 4.2%].

5 Empirical Methods for SRL

5.1 Pipeline：多阶段分类

以FrameNet为例，我们需要先做Frame识别，再抽取Role
最重要的是 特征工程

决定一个词的词性：由词意和上下文决定

5.2 End to End：序列标注问题

我们可以在语法树上进行标注

Features for SRL

  • Phrase type
  • Phrase tree path
  • Position (在谓词的左边还是右边)
  • Voice （active or passive verb)
  • Head Word

6 Hard Problem

  • 语法交替 （Syntactic Alternation）：同一个谓词在不同的句式中，其语义角色分布会发生剧变。
  • 介词短语挂接 (PP Attachment) 歧义： 介词短语既可以修饰动词（表示方式或工具），也可以修饰名词
  • 远距离依赖 (Long-range Dependencies)： 在复杂长句中，论元可能距离谓词非常远，识别这种跨度较大的语义关系非常困难

快来参与讨论吧~

© 2025 Arnold 使用 Stellar 创建
总访问 0 次 | 本页访问 0 次
共发表 12 篇Blog · 总计 12.3k 字