Skip to content
Kembali ke hasil pencarian

Pelabelan Peran Semantik (SRL)

Diperkenalkan oleh
Daniel Gildea & Daniel Jurafsky
Tahun
2002
Jenis
NLP shallow semantic parsing task

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Pelabelan peran semantik, yang diperkenalkan oleh Gildea dan Jurafsky pada tahun 2002, adalah tugas pemrosesan bahasa alami yang menetapkan peran semantik — siapa melakukan apa terhadap siapa, di mana, kapan, dan bagaimana — kepada komponen di sekitar kata kerja (predikat) dalam sebuah kalimat.

Tugas ini mengubah teks biasa menjadi representasi predikat-argumen terstruktur dan merupakan alat fundamental untuk ekstraksi peristiwa.

Intuisi di balik metode

Sebuah kalimat mendeskripsikan suatu tindakan, tetapi mesin tidak secara otomatis mengetahui siapa yang melakukannya, apa yang terpengaruh, atau di mana itu terjadi. SRL menjawab pertanyaan-pertanyaan tersebut dengan berpusat pada kata kerja dan memberi label pada frasa di sekitarnya dengan peran semantik mereka — agen, pasien, lokasi, waktu, cara. Alih-alih memperlakukan kalimat sebagai untaian kata yang datar, metode ini membacanya sebagai sebuah peristiwa dengan para partisipan, masing-masing membawa peran yang diberi nama dengan jelas.

Sejarah

Pelabelan peran semantik ditetapkan sebagai tugas otomatis oleh Gildea dan Jurafsky (2002), yang menunjukkan bahwa peran semantik dapat dilabeli secara otomatis menggunakan statistik korpus. Bidang ini kemudian beralih ke model neural; Shi dan Lin (2019) mendemonstrasikan bahwa model sederhana berbasis BERT mencapai kinerja yang kuat pada SRL dan ekstraksi relasi, mencerminkan pergeseran yang lebih luas ke model bahasa pra-terlatih.

Kapan digunakan

Gunakan SRL ketika Anda memiliki teks tingkat kalimat dan perlu mengekstrak informasi terstruktur tentang siapa melakukan apa terhadap siapa, daripada hanya label topik atau sentimen. Tugas ini cocok untuk bahasa Inggris atau bahasa lain yang didukung, bekerja paling baik dengan ontologi bergaya PropBank atau FrameNet untuk mendefinisikan peran, dan membutuhkan setidaknya korpus yang cukup untuk dianggap berharga. Jika teks Anda dalam bahasa yang tidak didukung atau tidak ada ontologi peran yang berlaku, SRL bukanlah alat yang tepat.

Batasan dan pertimbangan

  • Kualitas bergantung pada model bahasa yang mendukung bahasa teks — berfungsi pada bahasa Inggris atau bahasa lain yang didukung.
  • Ontologi peran yang sesuai (PropBank atau FrameNet) harus dipilih di awal; tanpanya, himpunan peran tidak terdefinisi.
  • Ini adalah tugas yang cukup maju yang beroperasi pada tingkat kalimat dan membutuhkan data yang cukup agar bermakna.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Mengubah teks bebas menjadi struktur predikat-argumen eksplisit, mengungkap siapa melakukan apa terhadap siapa.
  • Berfungsi sebagai blok bangunan fundamental untuk ekstraksi peristiwa, tanya jawab, dan ekstraksi informasi.
  • Mendasarkan makna yang diekstraksi pada ontologi yang mapan (PropBank, FrameNet) daripada label ad-hoc.

Penerapan

  • Ekstraksi peristiwa — mengidentifikasi tindakan dan partisipannya dalam teks berita dan sejarah.
  • Pipeline ekstraksi informasi yang membutuhkan informasi terstruktur siapa/apa/di mana/kapan dari kalimat.
  • Mendukung tanya jawab dengan mengungkap struktur predikat-argumen dari suatu bagian teks.
  • Menganalisis korpus teks besar dalam ilmu sosial, humaniora, dan penelitian kesehatan di mana struktur peristiwa penting.

Cara kerjanya

Cara kerjanya

1

Kalimat dipindai untuk menemukan predikat — biasanya kata kerja yang menjadi jangkar suatu peristiwa. Setiap predikat menjadi pusat di mana peran akan diorganisasikan, karena makna suatu peran didefinisikan relatif terhadap tindakan yang dilayaninya.

2

Untuk setiap predikat yang teridentifikasi, rentang teks yang bertindak sebagai argumennya ditemukan. Langkah ini memutuskan frasa mana yang berpartisipasi dalam peristiwa sebelum memutuskan peran apa yang mereka mainkan, memisahkan konstituen yang relevan dari kata-kata insidental.

3

Setiap rentang argumen diberi label peran semantik — agen, pasien, lokasi, waktu, cara, dan seterusnya — biasanya mengikuti ontologi PropBank atau FrameNet. Di sinilah pertanyaan siapa/apa/di mana/kapan/bagaimana dijawab untuk setiap partisipan.

4

Predikat dan argumen yang diberi label dirangkai menjadi struktur predikat-argumen untuk kalimat tersebut. Representasi peristiwa terstruktur ini adalah keluaran yang menjadi dasar tugas hilir seperti deteksi peristiwa dan tanya jawab.

Kesalahan umum

  • Menerapkan model yang dilatih dalam bahasa Inggris ke teks dalam bahasa yang tidak didukung akan menurunkan kualitas pelabelan secara signifikan.
  • Melewatkan pemilihan ontologi PropBank atau FrameNet membuat definisi peran menjadi tidak konsisten di seluruh kalimat.
  • Kesalahan dalam identifikasi predikat berakumulasi — jika kata kerja terlewat, tidak ada argumennya yang akan diberi label.
  • Menjalankan SRL pada teks yang terlalu sedikit (kurang dari ~20 kalimat) menghasilkan keluaran yang tidak stabil dan tidak representatif.

Pertanyaan yang sering diajukan

Bagaimana SRL berbeda dari pengenalan entitas bernama (NER)?

NER mengidentifikasi dan mengklasifikasikan entitas (orang, tempat, organisasi) tanpa memandang peran mereka dalam suatu tindakan. SRL melangkah lebih jauh: ia berpusat pada kata kerja dan memberi label entitas mana yang merupakan agen, mana yang pasien, dan di mana, kapan, dan bagaimana tindakan itu terjadi — menangkap struktur peristiwa daripada hanya entitasnya.

Apa itu PropBank dan FrameNet?

Keduanya adalah dua ontologi utama yang mendefinisikan inventaris peran semantik yang ditetapkan oleh SRL. Memilih salah satunya di awal memberikan label peran yang konsisten dan dapat dibandingkan di semua kalimat; tanpa ontologi, himpunan peran tidak terdefinisi.

Apakah SRL berfungsi dalam bahasa selain bahasa Inggris?

Tugas ini berfungsi pada bahasa Inggris atau bahasa lain yang didukung, asalkan ada model untuk bahasa tersebut. Menerapkan model yang dilatih dalam bahasa Inggris ke bahasa yang tidak didukung adalah penyebab umum hasil yang buruk.

Mengapa SRL digambarkan sebagai alat fundamental untuk ekstraksi peristiwa?

Karena sebuah peristiwa pada dasarnya adalah predikat dengan partisipan. Dengan menghasilkan struktur predikat-argumen, SRL memberikan langkah-langkah deteksi peristiwa dan ekstraksi informasi hilir persis informasi siapa/apa/di mana/kapan yang mereka butuhkan.

Metode terkait

Sumber

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

    Buka referensi DOI
    Disalin.
  2. Shi, P. & Lin, J. (2019). Simple BERT Models for Relation Extraction and Semantic Role Labeling. arXiv:1904.05255.

    Buka referensi publikasi
    Disalin.