برچسب‌گذاری نقش معنایی ۲۰۲۲
Semantic Role Labeling 2022

این کتاب با هدف ارائه چشم‌اندازی جامع از جنبه‌های گوناگون برچسب‌گذاری نقش معنایی (Semantic Role Labeling) تدوین شده است. فصل اول با زمینه‌های زبانی، شامل تعریف نقش‌های معنایی و مباحثات پیرامون آن‌ها آغاز می‌شود. فصل دوم به چگونگی شکل‌گیری واژه‌نامه‌های ساخت‌یافته‌ای نظیر FrameNet، VerbNet و PropBank Frame Files بر اساس این نظریه‌ها می‌پردازد؛ واژه‌نامه‌هایی که خود، مبنایی برای حاشیه‌نویسی معنایی گسترده پیکره‌های متنی (corpora) را فراهم آورده‌اند. این داده‌ها توسعه سیستم‌های خودکار برچسب‌گذاری نقش معنایی، بر اساس تکنیک‌های یادگیری ماشینی نظارت‌شده را تسهیل کرده‌اند. فصل سوم اصول کلی به کارگیری یادگیری ماشینی نظارت‌شده و نظارت‌نشده را در این زمینه ارائه می‌دهد و ضمن شرح مراحل استاندارد و انتخاب ویژگی‌ها، جزئیات چندین سیستم خاص را نیز تشریح می‌کند. پیشرفت‌های اخیر شامل استفاده از استنتاج مشترک برای بهره‌گیری از حساسیت‌های متنی، و تلاش برای بهبود عملکرد از طریق ادغام نزدیک‌تر وظیفه تجزیه نحوی با برچسب‌گذاری نقش معنایی است. فصل سوم همچنین تاثیر میزان جزئیات نقش‌های معنایی بر عملکرد سیستم را مورد بحث قرار می‌دهد. پس از تشریح رویکرد اساسی در رابطه با زبان انگلیسی، فصل چهارم به کاربرد همین تکنیک‌ها در زبان‌های دیگر، با تمرکز بر زبان چینی به عنوان مثال اصلی، می‌پردازد. اگرچه داده‌های آموزشی قابل توجهی برای زبان چینی در دسترس است، اما این موضوع در مورد بسیاری از زبان‌های دیگر صادق نیست؛ از این رو، تکنیک‌های فرافکنی برچسب‌های نقش انگلیسی بر روی پیکره‌های متنی موازی نیز ارائه شده‌اند.

فهرست مطالب: پیشگفتار / نقش‌های معنایی / منابع واژگانی موجود / یادگیری ماشینی برای برچسب‌گذاری نقش معنایی / دیدگاهی فراتر از زبان انگلیسی / خلاصه

This book is aimed at providing an overview of several aspects of semantic role labeling. Chapter 1 begins with linguistic background on the definition of semantic roles and the controversies surrounding them. Chapter 2 describes how the theories have led to structured lexicons such as FrameNet, VerbNet and the PropBank Frame Files that in turn provide the basis for large scale semantic annotation of corpora. This data has facilitated the development of automatic semantic role labeling systems based on supervised machine learning techniques. Chapter 3 presents the general principles of applying both supervised and unsupervised machine learning to this task, with a description of the standard stages and feature choices, as well as giving details of several specific systems. Recent advances include the use of joint inference to take advantage of context sensitivities, and attempts to improve performance by closer integration of the syntactic parsing task with semantic role labeling. Chapter 3 also discusses the impact the granularity of the semantic roles has on system performance. Having outlined the basic approach with respect to English, Chapter 4 goes on to discuss applying the same techniques to other languages, using Chinese as the primary example. Although substantial training data is available for Chinese, this is not the case for many other languages, and techniques for projecting English role labels onto parallel corpora are also presented. Table of Contents: Preface / Semantic Roles / Available Lexical Resources / Machine Learning for Semantic Role Labeling / A Cross-Lingual Perspective / Summary