语义角色标注：回答“谁对谁做了什么”

什么是语义角色标注

语义角色标注 (Semantic Role Labeling，简称 SRL) 是自然语言处理中的一项基础任务，其核心目标是回答“谁对谁做了什么”。它能够识别句子中各个成分所扮演的语义角色，比如动作的发出者、承受者、时间、地点等，从而将句子从表面词语序列转化为结构化的语义表示。

简单来说，语义角色标注就像给句子中的每个部分贴上“功能标签”：

• 谁做的 —— 施事 (Agent)
• 做了什么 —— 谓词/动作 (Predicate)
• 对谁做的 —— 受事 (Patient/Theme)
• 在哪儿做的 —— 地点 (Location)
• 什么时候做的 —— 时间 (Time)
• 用什么工具 —— 工具 (Instrument)

这一技术广泛用于信息抽取、问答系统、机器翻译和文本摘要等场景，因为它让机器真正开始“理解”事件结构。

核心概念解析

谓词与论元

在语义角色标注中，句子被分解为两个关键部分：

• 谓词 (Predicate)：句子中表达动作或状态的核心词，通常是动词，也可以是名词或形容词。例如，“攻击”在“敌军攻击了要塞”中就是谓词。
• 论元 (Argument)：与谓词语义相关的成分，扮演特定的语义角色。论元分为核心论元和附加论元。

核心语义角色

最核心的角色直接回答“谁对谁做了什么”：

这些标签在不同语料库中可能略有差异，但A0-A4是最通用的框架。

附加语义角色

除了核心角色，句子中还经常出现描述时间、地点、原因等背景信息的成分，统称为附加语 (Adjunct) 或 ArgM：

• ArgM-LOC：地点 —— 在森林里
• ArgM-TMP：时间 —— 昨天夜里
• ArgM-MNR：方式 —— 秘密地
• ArgM-PNC：目的 —— 为了获取情报
• ArgM-CAU：原因 —— 因为天气恶劣

语义角色标注是如何工作的

现代语义角色标注主要依赖深度学习模型，其工作流程通常包含四个阶段：

阶段一：谓词识别

模型首先找出句子中哪些词是谓词。对于中文，一个句子可能有多个谓词，例如：“下令撤退的指挥官发现了埋伏”。系统需要识别出“下令”和“发现”两个谓词。

阶段二：论元边界识别

围绕每一个谓词，模型需要确定描述该动作的各个论元在句子中的起止位置。这是一个序列标注任务，通常使用 BIO 标注模式：

• B-ARG：论元的起始词
• I-ARG：论元的内部词
• O：不属于任何论元

阶段三：角色分类

找出每个论元的边界后，模型为每一段赋予确切的语义标签，如 A0、A1、ArgM-LOC 等。这一步会结合谓词与候选论元的上下文信息进行判断。

阶段四：全局优化

对于多谓词句子，同一个词可能作为不同谓词的论元，模型需要综合所有谓词的结果，确保标注整体一致。

初学者动手实践指南

你可以使用成熟的工具快速体验语义角色标注，无需从头训练模型。

使用 HanLP 进行中文语义角色标注

HanLP 是一个功能丰富的自然语言处理工具包。以下是 Python 示例：

import hanlp

# 加载预训练的语义角色标注模型
srl = hanlp.load(hanlp.pretrained.srl.SRL_CTB5_ROBERTA_BASE)

# 输入句子
sentence = "指挥官用望远镜发现了远处的敌军哨所。"

# 执行标注
result = srl(sentence)

# 输出结果
print(result)

输出将是一个列表，每个元素对应一个谓词的标注结果，清晰显示谓词、论元和角色标签。

使用 spaCy 与 AllenNLP (英文)

对于英文，AllenNLP 的 SRL 模型十分经典：

from allennlp_models import pretrained
predictor = pretrained.load_predictor("structured-prediction-srl-bert")

sentence = "The commander spotted the enemy with binoculars."
result = predictor.predict(sentence)

for verb in result["verbs"]:
    print(f"谓词: {verb['verb']}")
    for tag, word in zip(verb["tags"], result["words"]):
        if tag != "O":
            print(f"  {tag}: {word}")

常见挑战与未来方向

• 隐式语义角色：中文常省略 A0 或 A1，需要通过上下文恢复，这对模型是巨大考验。
• 非动词谓词：名词化谓词（如“袭击造成伤亡”中的“袭击”）需要灵活识别。
• 领域迁移：新闻语料训练的模型应用到医疗、法律文本时，性能可能下降。
• 多语言统一：不同语言的角色体系并不完全一致，跨语言标注是研究前沿。

当前，基于大语言模型的方法正尝试将语义角色标注转化为对话式任务，无需显式定义角色体系，而是直接抽取“谁对谁做了什么”的三元组，这为这项经典任务带来了新的可能性。

小结

语义角色标注通过揭示“谁对谁做了什么”的结构，为机器提供了理解事件的基础框架。无论是传统的 PropBank 标注体系，还是现代的端到端深度学习模型，其本质都在于将语言符号映射为可计算的语义表示。对于初学者而言，先掌握核心角色、学会使用现成工具解析句子，是进入这一领域的最佳路径。