语义角色标注
Parent: ai_keywords
语义角色标注（Semantic Role Labeling, SRL）
【核心定义】
语义角色标注是自然语言处理中的一项核心任务，旨在识别句子中谓语（通常为动词）所支配的论元，并赋予每个论元特定的语义角色（如施事、受事、时间、地点、工具等）。其本质是将表层句法结构映射至深层的谓词-论元语义框架，从而刻画“谁对谁做了什么、何时何地、如何发生”等事件要素。SRL是连接语言形式与意义理解的关键桥梁，广泛应用于信息抽取、问答系统及认知建模。
【关键技术点】
-
基于框架的语义角色体系
主流体系包括 PropBank（以动词为核心的通用角色集，如Arg0-Arg5）与 FrameNet（基于框架语义学，定义角色为框架元素）。前者侧重事件参与者的集合分类，后者追求更细粒度的场景化语义刻画。 -
序列标注与联合建模
当前SRL多采用BiLSTM-CRF或Transformer架构，将谓语检测、论元边界识别与角色分类联合建模。利用CRF层捕获论元间的序列依赖关系，并借助注意力机制建模长距离谓语-论元关联。 -
句法引导与图神经网络
显式依赖句法树（如依存关系）可有效约束论元候选空间。近年研究者通过图神经网络（GNN）将句法图与语义图融合，利用消息传递机制降低谓词语义歧义对标注精度的干扰。 -
零次学习与跨领域泛化
面对新领域（如医学文本）缺乏标注语料，采用预训练语言模型（如BERT）的上下文嵌入，辅以领域自适应（Domain Adaptation）或提示学习（Prompt-tuning），实现少样本甚至零样本下的角色标注迁移。
【医学/神经科学应用场景】（结合首都医科大学神经病学研究背景）
在首都医科大学开展的脑卒中后失语症康复评估研究中，SRL被用于量化患者语言产出中的语义角色缺损。具体应用如下：
- 任务设计：采集患者复述或描述图片中事件的语音样本，自动转写成文本后，利用融合中文Med-BERT的SRL模型，提取每个动词的论元角色（如施事、受事、工具、地点）。
- 临床指标：计算角色填充率（如“病人”（施事）正确填充比例）、角色混淆率（如将“茶杯”误标为受事而非工具）以及论元复杂度（平均每个谓词关联的角色数）。
- 神经关联：结合弥散张量成像（DTI），发现左侧弓状束与上纵束损伤患者的施事-受事角色切换错误率显著升高（p<0.01），而额枕下束损伤则与工具角色遗漏相关。该技术为失语症亚型鉴别（如Broca失语与传导性失语）提供客观的行为标志，并支持基于语义角色特征的个性化康复方案设计。
