使用NLTK进行语义角色标记

SRL根本不是一个微不足道的问题,并不是真正可以开箱即用的东西nltk.

您可以将SRL的任务分解为3个单独的步骤:

识别谓词.

对谓词执行单词意义消歧,以确定它接受哪些语义参数.

识别句子中的语义参数.

目前针对该问题的大多数方法都使用有监督的机器学习,其中分类器将训练Propbank或FrameNet语句的子集,然后测试剩余的子集以测量其准确性.研究人员倾向于专注于调整功能和算法,以及修改上述步骤是按顺序还是同时完成,以及按什么顺序进行.

您可能想要查看的一些文件是:

Simmons(1973) - 经典的SRL纸.

Gildea和Jurafsky(2002) - 提供了一组用于分类的简单特征.

薛和帕尔默(2004) - 更深入地研究有用的功能

Meza-Ruiz和Riedel(2009) - 一种使用Markov Logic的有趣方法.

Markov Logic方法很有前景,但根据我自己的经验,它会遇到严重的可扩展性问题(我只使用Alchemy,尽管Alchemy Lite看起来很有趣).使用nltk Propbank数据实现某种分类器并不是一项繁重的工作,并且Python中已经存在一些现成的分类器.

编辑: 这个来自爱丁堡大学的作业提供了一些如何解析Propbank数据的例子,以及我所做的学校项目的一部分实现了一个完整的Propbank特征解析器,尽管这些特征专门用于Markov Logic Networks的风格. Meza-Ruiz和Riedel(2009年).

看看这个新鲜的新python库（取决于NLTK）https://pypi.python.org/pypi/nlpnet/ ...它可以进行POS和SRL。

我建议PractNLPTools有很多不错的工具，包括语义角色标签。

我现在正在为一个工作项目审问它，看来它将完成工作。

PractnlpTools：https ://pypi.python.org/pypi/practnlptools/1.0

GitHub支持站点：https : //github.com/biplab-iitb/practNLPTools