同样是给单词打标签，为什么SRL难？（19.3.6）

papers

对于常见NLP问题，可分类为语法和语义任务如下：

syntactic： part-of-speech tagging、chunking、parsing
semantic： word-sense disambiguation、semantic-role labeling、named entity extraction、anaphora resolution

SRL问题是在2002年提出的，但比看起来相似的问题POS难许多，因为其本质目标不同：

POS -> 语法标识（syntactic role, 如名词、副词...）
SRL -> 语义标识（semantic role, 解决"who" did "what" to "whom"）

2008 ICML 的一篇论文 A Unified Architecture for Natural Language Processing Deep Neural Networks with Multitask Learning 中，作者用神经网络 jointly learning 六种NLP问题，包括 POS、chunking、NER、SRL，但作者认为 SRL 是其中最难的。

论文在模型架构中提到了两个阐释SRL问题复杂之处：1. 在把句子序列化为向量时，通常采用固定长度的windows approach，这对于POS可行，但对SRL不行，因为role常依赖于windows之外的部分。2. 对POS和NER，学习时采用线性操作效果就不错，但SRL需要非线性模型。

从最终的效果也可以看出：POS准确率97.09%、chunking准确率96.2%、SRL准确率最好的只有大约85.5%。直到现在2019年的论文，仍然把SRL视作一个具有挑战性的问题。

SRL到底难以解决什么样的句子类型？2016 ACL 的一篇论文 Neural Semantic Role Labeling with Dependency Path Embeddings 就提到一个例子：He had trouble raising funds. 作为对比的四个现有的SRL系统中有两个把trouble当成“who”，还有两个检测不出哪个是“who”。

对这个句子Stanford nlp 的 parsing结果如下：

Tagging

He/PRP has/VBZ trouble/NN raising/VBG money/NN ./. 

Parse

 (ROOT
   (S
     (NP (PRP He))
     (VP (VBZ has)
       (NP
         (NP (NN trouble))
         (VP (VBG raising)
           (NP (NN money)))))
     (. .)))

Universal dependencies

 nsubj(has-2, He-1) 
 root(ROOT-0, has-2) 
 dobj(has-2, trouble-3)
 acl(trouble-3, raising-4) 
 dobj(raising-4, money-5)

（推翻之前的intuition：parsing结果的subj和obj是语法上对于该谓语的主语和宾语，不一定是语义上的who和whom，虽然通常之间是有很大联系的。所以简单句如He plays guitar.这种可以直接判断，而复杂句中没有直接指向，不能替代SRL，需要通过训练。）