融合Gate过滤机制与深度Bi-LSTM-CRF的汉语语义角色标注

摘要：

语义角色标注的传统方法采用基于句法特征的统计机器学习方法.由于依存句法可以表示词语之间的语义关系,故在语义角色标注中取得了较好的性能;但该方法存在特征抽取过程繁琐,难以捕捉句子中长距离依赖等问题.随着深度学习的兴起,研究者将基于双向长短时记忆(Bidirectional Long Short-Term Memory,Bi-LSTM)神经网络模型用于语义角色标注.该模型可以自动学习特征,并对词与词之间的远距离依赖关系进行有效建模.本文提出融合Bi-LSTM-CRF模型与依存句法特征的方法,并且引入Gate过滤机制对词向量表示进行调整,以达到利用句法特征提高语义角色标注精度的同时,规避特征工程的繁琐.CPB上的实验结果表明,利用本文所提方法的汉语语义角色标注的F1值达到79.53%,比前人的方法有了较为显著的提升.

关键词：汉语语义角色标注、Gate过滤机制、Bi-LSTM-CRF、依存句法分析

所属期刊栏目：4

分类号：TP391(计算技术、计算机技术)

资助基金：北京交通大学人才基金KKRC11001532;国家自然科学基金61370130,61473294;北京市自然科学基金4172047

在线出版日期：2018-06-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：45-53