Skip to content
กลับไปยังผลการค้นหา

การระบุบทบาทเชิงความหมาย (Semantic Role Labeling - SRL)

ผู้เสนอ
Daniel Gildea & Daniel Jurafsky
ปี
2002
ประเภท
NLP shallow semantic parsing task

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การระบุบทบาทเชิงความหมาย หรือ SRL ซึ่งริเริ่มโดย Gildea และ Jurafsky ในปี 2002 เป็นงานประมวลผลภาษาธรรมชาติที่กำหนดบทบาทเชิงความหมาย — ใครทำอะไรกับใคร ที่ไหน เมื่อไหร่ และอย่างไร — ให้กับองค์ประกอบต่างๆ รอบคำกริยา (ภาคแสดง) ในประโยค โดยเปลี่ยนข้อความธรรมดาให้เป็นการแสดงความสัมพันธ์ระหว่างภาคแสดงและอาร์กิวเมนต์ที่มีโครงสร้าง และเป็นเครื่องมือพื้นฐานสำหรับการสกัดเหตุการณ์

แนวคิดเบื้องหลังวิธีการ

ประโยคหนึ่งๆ อธิบายถึงการกระทำ แต่เครื่องจักรไม่สามารถทราบได้โดยอัตโนมัติว่าใครเป็นผู้กระทำการ สิ่งใดได้รับผลกระทบ หรือเหตุการณ์นั้นเกิดขึ้นที่ไหน SRL ตอบคำถามเหล่านั้นโดยการยึดคำกริยาเป็นหลักและติดป้ายกำกับวลีรอบข้างด้วยบทบาทเชิงความหมายของมัน — ผู้กระทำ (agent) ผู้ถูกกระทำ (patient) สถานที่ เวลา หรือลักษณะการเกิดเหตุการณ์ แทนที่จะมองประโยคเป็นเพียงสายอักขระคำศัพท์ที่เรียงต่อกัน วิธีการนี้จะอ่านประโยคเสมือนเป็นเหตุการณ์ที่มีผู้เข้าร่วม โดยแต่ละส่วนจะมีบทบาทที่ระบุไว้อย่างชัดเจน

ประวัติศาสตร์

การระบุบทบาทเชิงความหมายถูกก่อตั้งขึ้นในฐานะงานอัตโนมัติโดย Gildea และ Jurafsky (2002) ซึ่งแสดงให้เห็นว่าบทบาทเชิงความหมายสามารถระบุได้โดยอัตโนมัติโดยใช้สถิติจากคลังข้อมูล ต่อมาวงการวิจัยได้เปลี่ยนไปใช้แบบจำลองโครงข่ายประสาทเทียม โดย Shi และ Lin (2019) ได้แสดงให้เห็นว่าแบบจำลองพื้นฐาน BERT แบบง่ายสามารถให้ประสิทธิภาพที่แข็งแกร่งในงาน SRL และการสกัดความสัมพันธ์ ซึ่งสะท้อนถึงการเปลี่ยนแปลงที่กว้างขึ้นไปสู่แบบจำลองภาษาที่ได้รับการฝึกไว้ล่วงหน้า (pretrained language models)

ควรใช้เมื่อใด

ใช้ SRL เมื่อคุณมีข้อความระดับประโยคและต้องการสกัดข้อมูลเชิงโครงสร้างเกี่ยวกับ 'ใครทำอะไรกับใคร' แทนที่จะเป็นเพียงหัวข้อหรือการระบุอารมณ์ มันเหมาะสำหรับภาษาอังกฤษหรือภาษาอื่นที่รองรับ ทำงานได้ดีที่สุดเมื่อมีออนโทโลยีสไตล์ PropBank หรือ FrameNet เพื่อกำหนดบทบาท และจำเป็นต้องมีคลังข้อมูล (corpus) ในระดับหนึ่งจึงจะคุ้มค่า หากข้อความของคุณเป็นภาษาที่ไม่รองรับหรือไม่สามารถใช้ออนโทโลยีของบทบาทได้ SRL ก็จะไม่ใช่เครื่องมือที่เหมาะสม

ข้อจำกัดและข้อควรพิจารณา

  • คุณภาพขึ้นอยู่กับแบบจำลองภาษาที่รองรับภาษาของข้อความ — ทำงานได้กับภาษาอังกฤษหรือภาษาอื่นที่รองรับ
  • ควรเลือกออนโทโลยีบทบาทที่เหมาะสม (PropBank หรือ FrameNet) ไว้ล่วงหน้า หากไม่มีออนโทโลยี ชุดของบทบาทจะไม่ถูกกำหนด
  • เป็นงานที่มีความซับซ้อนปานกลางที่ดำเนินการในระดับประโยคและต้องการข้อมูลเพียงพอที่จะมีความหมาย

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • แปลงข้อความอิสระให้เป็นโครงสร้างภาคแสดง-อาร์กิวเมนต์ที่ชัดเจน โดยเปิดเผยว่าใครทำอะไรกับใคร
  • ทำหน้าที่เป็นส่วนประกอบพื้นฐานสำหรับการสกัดเหตุการณ์ การตอบคำถาม และการสกัดข้อมูล
  • ยึดโยงความหมายที่สกัดได้กับออนโทโลยีที่ยอมรับกัน (PropBank, FrameNet) แทนที่จะเป็นป้ายกำกับเฉพาะกิจ

การประยุกต์ใช้

  • การสกัดเหตุการณ์ — การระบุการกระทำและผู้เข้าร่วมในข้อความข่าวและข้อความทางประวัติศาสตร์
  • ไปป์ไลน์การสกัดข้อมูลที่ต้องการข้อมูลเชิงโครงสร้าง 'ใคร/อะไร/ที่ไหน/เมื่อไหร่' จากประโยค
  • การสนับสนุนการตอบคำถามโดยการเปิดเผยโครงสร้างภาคแสดง-อาร์กิวเมนต์ของข้อความ
  • การวิเคราะห์คลังข้อความขนาดใหญ่ในสาขาสังคมศาสตร์ มนุษยศาสตร์ และการวิจัยด้านสุขภาพ ที่โครงสร้างเหตุการณ์มีความสำคัญ

วิธีการทำงาน

วิธีการทำงาน

1

ประโยคจะถูกสแกนเพื่อค้นหาภาคแสดง ซึ่งโดยทั่วไปคือคำกริยาที่เป็นจุดศูนย์กลางของเหตุการณ์ ภาคแสดงแต่ละตัวจะกลายเป็นศูนย์กลางที่บทบาทต่างๆ จะถูกจัดระเบียบ เนื่องจากความหมายของบทบาทจะถูกกำหนดโดยสัมพันธ์กับการกระทำที่มันทำหน้าที่

2

สำหรับภาคแสดงที่ระบุได้แต่ละตัว จะมีการค้นหาช่วงของข้อความที่ทำหน้าที่เป็นอาร์กิวเมนต์ของมัน ขั้นตอนนี้จะเป็นการตัดสินว่าวลีใดบ้างที่เข้าร่วมในเหตุการณ์ก่อนที่จะตัดสินว่าส่วนใดมีบทบาทอะไร โดยแยกส่วนประกอบที่เกี่ยวข้องออกจากคำที่ไม่เกี่ยวข้อง

3

ช่วงของอาร์กิวเมนต์แต่ละช่วงจะได้รับป้ายกำกับบทบาทเชิงความหมาย — เช่น ผู้กระทำ ผู้ถูกกระทำ สถานที่ เวลา ลักษณะการเกิดเหตุการณ์ และอื่นๆ — โดยทั่วไปจะอิงตามออนโทโลยีของ PropBank หรือ FrameNet นี่คือจุดที่คำถามว่าใคร/อะไร/ที่ไหน/เมื่อไหร่/อย่างไร ถูกตอบสำหรับผู้เข้าร่วมแต่ละราย

4

ภาคแสดงและอาร์กิวเมนต์ที่ติดป้ายกำกับจะถูกรวบรวมเป็นโครงสร้างภาคแสดง-อาร์กิวเมนต์สำหรับประโยคนั้น การแสดงความสัมพันธ์ของเหตุการณ์ที่มีโครงสร้างนี้คือผลลัพธ์ที่งานขั้นต่อไป เช่น การสกัดเหตุการณ์และการตอบคำถาม นำไปใช้ต่อยอดได้

ข้อผิดพลาดที่พบบ่อย

  • การใช้แบบจำลองที่ฝึกด้วยภาษาอังกฤษกับข้อความในภาษาที่ไม่รองรับจะทำให้การติดป้ายกำกับแย่ลงอย่างมาก
  • การข้ามการเลือกออนโทโลยี PropBank หรือ FrameNet จะทำให้การนิยามบทบาทไม่สอดคล้องกันในแต่ละประโยค
  • ข้อผิดพลาดในการระบุภาคแสดงจะส่งผลต่อเนื่อง — หากไม่พบคำกริยา อาร์กิวเมนต์ใดๆ ก็จะไม่ถูกติดป้ายกำกับ
  • การรัน SRL กับข้อความน้อยเกินไป (น้อยกว่าประมาณ 20 ประโยค) จะให้ผลลัพธ์ที่ไม่เสถียรและไม่เป็นตัวแทน

คำถามที่พบบ่อย

SRL แตกต่างจากการรู้จำหน่วยงานที่มีชื่อ (Named-Entity Recognition - NER) อย่างไร?

NER ระบุและจำแนกประเภทของหน่วยงาน (บุคคล สถานที่ องค์กร) โดยไม่คำนึงถึงบทบาทของหน่วยงานนั้นในการกระทำ SRL ก้าวไปไกลกว่านั้น: มันยึดคำกริยาเป็นหลักและติดป้ายกำกับว่าหน่วยงานใดเป็นผู้กระทำ หน่วยงานใดเป็นผู้ถูกกระทำ และการกระทำนั้นเกิดขึ้นที่ไหน เมื่อไหร่ และอย่างไร — โดยจับโครงสร้างเหตุการณ์ ไม่ใช่เพียงแค่หน่วยงาน

PropBank และ FrameNet คืออะไร?

เป็นออนโทโลยีหลักสองชุดที่กำหนดรายการของบทบาทเชิงความหมายที่ SRL กำหนด การเลือกใช้ออนโทโลยีใดออนโทโลยีหนึ่งล่วงหน้าจะช่วยให้ป้ายกำกับบทบาทมีความสอดคล้องและเปรียบเทียบกันได้ในทุกประโยค หากไม่มีออนโทโลยี ชุดของบทบาทจะไม่ถูกกำหนด

SRL ทำงานในภาษาอื่นนอกเหนือจากภาษาอังกฤษได้หรือไม่?

ทำงานได้กับภาษาอังกฤษหรือภาษาอื่นที่รองรับ โดยมีเงื่อนไขว่าต้องมีแบบจำลองสำหรับภาษานั้น การใช้แบบจำลองที่ฝึกด้วยภาษาอังกฤษกับภาษาที่ไม่รองรับเป็นสาเหตุทั่วไปของผลลัพธ์ที่ด้อยคุณภาพ

เหตุใด SRL จึงถูกอธิบายว่าเป็นเครื่องมือพื้นฐานสำหรับการสกัดเหตุการณ์?

เนื่องจากเหตุการณ์โดยพื้นฐานแล้วคือภาคแสดงที่มีผู้เข้าร่วม โดยการสร้างโครงสร้างภาคแสดง-อาร์กิวเมนต์ SRL จะส่งมอบสิ่งที่งานสกัดเหตุการณ์และการสกัดข้อมูลขั้นต่อไปต้องการได้อย่างแม่นยำ นั่นคือ 'ใคร/อะไร/ที่ไหน/เมื่อไหร่'

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

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

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว