Zum Inhalt springen
Zurück zu den Suchergebnissen

Semantische Rollenmarkierung (SRL)

Eingeführt von
Daniel Gildea & Daniel Jurafsky
Jahr
2002
Typ
NLP shallow semantic parsing task

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Semantische Rollenmarkierung, eingeführt von Gildea und Jurafsky im Jahr 2002, ist eine Aufgabe der natürlichen Sprachverarbeitung, die semantische Rollen – wer tat was wem, wo, wann und wie – den Komponenten um ein Verb (Prädikat) in einem Satz zuweist.

Sie wandelt einfachen Text in strukturierte Prädikat-Argument-Repräsentationen um und ist ein grundlegendes Werkzeug für die Ereignisextraktion.

Die Intuition hinter der Methode

Ein Satz beschreibt eine Handlung, aber eine Maschine weiß nicht automatisch, wer sie ausgeführt hat, was betroffen war oder wo sie stattfand. SRL beantwortet diese Fragen, indem es sich am Verb orientiert und die umgebenden Phrasen mit ihrer semantischen Rolle – dem Agens, dem Patiens, dem Ort, der Zeit, der Art und Weise – kennzeichnet. Anstatt einen Satz als flache Wortkette zu behandeln, liest die Methode ihn als ein Ereignis mit Teilnehmern, von denen jeder eine klar benannte Rolle trägt.

Geschichte

Semantische Rollenmarkierung wurde von Gildea und Jurafsky (2002) als automatische Aufgabe etabliert, die zeigten, dass semantische Rollen mithilfe von Korpusstatistiken automatisch gekennzeichnet werden können. Das Feld entwickelte sich später in Richtung neuronaler Modelle; Shi und Lin (2019) zeigten, dass einfache BERT-basierte Modelle eine starke Leistung bei SRL und Relationsextraktion erzielen, was den breiteren Wandel hin zu vortrainierten Sprachmodellen widerspiegelt.

Wann wird sie eingesetzt?

Verwenden Sie SRL, wenn Sie Text auf Satzebene haben und strukturierte Informationen darüber extrahieren müssen, wer was wem getan hat, anstatt nur ein Themen- oder Stimmungslabel. Es eignet sich für Englisch oder eine andere unterstützte Sprache, funktioniert am besten mit einer PropBank- oder FrameNet-ähnlichen Ontologie zur Definition der Rollen und benötigt mindestens einen moderaten Korpus, um lohnenswert zu sein. Wenn Ihr Text in einer nicht unterstützten Sprache vorliegt oder keine Rollenontologie anwendbar ist, ist SRL nicht das richtige Werkzeug.

Grenzen und Hinweise

  • Die Qualität hängt vom Sprachmodell ab, das die Sprache des Textes unterstützt – funktioniert für Englisch oder andere unterstützte Sprachen.
  • Eine geeignete Rollenontologie (PropBank oder FrameNet) sollte im Voraus gewählt werden; ohne eine ist der Rollensatz undefiniert.
  • Es handelt sich um eine mäßig fortgeschrittene Aufgabe, die auf Satzebene operiert und genügend Daten benötigt, um aussagekräftig zu sein.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Wandelt Freitext in eine explizite Prädikat-Argument-Struktur um und legt offen, wer was wem getan hat.
  • Dient als grundlegender Baustein für Ereignisextraktion, Fragebeantwortung und Informationsextraktion.
  • Verankert extrahierte Bedeutungen in etablierten Ontologien (PropBank, FrameNet) anstelle von Ad-hoc-Labels.

Anwendungen

  • Ereignisextraktion – Identifizierung von Handlungen und ihren Teilnehmern in Nachrichten- und historischen Texten.
  • Informationsextraktionspipelines, die strukturierte Wer/Was/Wo/Wann-Informationen aus Sätzen benötigen.
  • Unterstützung der Fragebeantwortung durch Offenlegung der Prädikat-Argument-Struktur eines Textabschnitts.
  • Analyse großer Textkorpora in den Sozialwissenschaften, Geisteswissenschaften und Gesundheitsforschung, bei denen die Ereignisstruktur wichtig ist.

So funktioniert es

So funktioniert es

1

Der Satz wird gescannt, um die Prädikate zu finden – typischerweise die Verben, die ein Ereignis verankern. Jedes Prädikat wird zum Zentrum, um das herum Rollen organisiert werden, da die Bedeutung einer Rolle relativ zur Handlung definiert wird, der sie dient.

2

Für jedes identifizierte Prädikat werden die Textspannen lokalisiert, die als seine Argumente fungieren. Dieser Schritt bestimmt, welche Phrasen an dem Ereignis teilnehmen, bevor entschieden wird, welche Rolle sie spielen, und trennt relevante Konstituenten von zufälligen Wörtern.

3

Jeder Argumentspanne wird eine semantische Rollenbezeichnung zugewiesen – Agens, Patiens, Ort, Zeit, Art und Weise usw. – typischerweise nach der PropBank- oder FrameNet-Ontologie. Hier werden die Wer/Was/Wo/Wann/Wie-Fragen für jeden Teilnehmer beantwortet.

4

Die gekennzeichneten Prädikate und Argumente werden zu einer Prädikat-Argument-Struktur für den Satz zusammengestellt. Diese strukturierte Ereignisrepräsentation ist die Ausgabe, auf der nachgelagerte Aufgaben wie Ereignisdetektion und Fragebeantwortung aufbauen.

Häufige Fallstricke

  • Die Anwendung eines auf Englisch trainierten Modells auf Text in einer nicht unterstützten Sprache verschlechtert die Kennzeichnung erheblich.
  • Das Überspringen der Wahl einer PropBank- oder FrameNet-Ontologie führt zu inkonsistenten Rollendefinitionen über Sätze hinweg.
  • Fehler bei der Prädikatidentifikation kaskadieren – wenn das Verb übersehen wird, werden keine seiner Argumente gekennzeichnet.
  • Die Ausführung von SRL auf zu wenig Text (weniger als ca. 20 Sätze) liefert instabile, nicht repräsentative Ergebnisse.

Häufig gestellte Fragen

Wie unterscheidet sich SRL von Named-Entity Recognition (NER)?

NER identifiziert und typisiert Entitäten (Personen, Orte, Organisationen) unabhängig von ihrer Rolle in einer Handlung. SRL geht weiter: Es orientiert sich am Verb und kennzeichnet, welche Entität das Agens, welche das Patiens ist und wo, wann und wie die Handlung stattfand – es erfasst die Ereignisstruktur und nicht nur die Entitäten.

Was sind PropBank und FrameNet?

Es sind die beiden Hauptontologien, die das Inventar der semantischen Rollen definieren, die SRL zuweist. Die Wahl einer davon im Voraus ermöglicht konsistente, vergleichbare Rollenbezeichnungen über alle Sätze hinweg; ohne eine Ontologie ist der Rollensatz undefiniert.

Funktioniert SRL in anderen Sprachen als Englisch?

Es funktioniert für Englisch oder eine andere unterstützte Sprache, vorausgesetzt, es existiert ein Modell für diese Sprache. Die Anwendung eines auf Englisch trainierten Modells auf eine nicht unterstützte Sprache ist eine häufige Ursache für schlechte Ergebnisse.

Warum wird SRL als grundlegendes Werkzeug für die Ereignisextraktion beschrieben?

Weil ein Ereignis im Wesentlichen ein Prädikat mit Teilnehmern ist. Durch die Erzeugung einer Prädikat-Argument-Struktur liefert SRL den nachgelagerten Ereignisdetektions- und Informationsextraktionsschritten genau die Wer/Was/Wo/Wann-Informationen, die sie benötigen.

Verwandte Methoden

Quellen

  1. Gildea, D. & Jurafsky, D. (2002). Automatic Labeling of Semantic Roles. Computational Linguistics, 28(3), 245-288.

    DOI-Referenz öffnen
    Kopiert.
  2. Shi, P. & Lin, J. (2019). Simple BERT Models for Relation Extraction and Semantic Role Labeling. arXiv:1904.05255.

    Publikationsreferenz öffnen
    Kopiert.