融合全局和局部注意力機(jī)制的自然語言框架識別方法

郭哲銘 張 虎 崔 軍 王笑月

(山西大學(xué)計(jì)算機(jī)與信息技術(shù)學(xué)院 山西 太原 030006)

0 引 言

框架語義分析是通過語義框架刻畫事件或場景[1],并以此對自然語言進(jìn)行語義分析的一種技術(shù)。框架語義分析任務(wù)主要包括框架識別和語義角色標(biāo)注兩個(gè)子任務(wù)[2-3]。本文主要圍繞框架識別任務(wù)展開研究,即給定可激起框架的目標(biāo)詞,根據(jù)上下文語境,選取最符合該目標(biāo)詞語境的語義框架。在真實(shí)的語言資源中單個(gè)目標(biāo)詞會對應(yīng)一個(gè)或多個(gè)所屬框架,但在具體的上下文場景中其僅可選擇一個(gè)關(guān)聯(lián)框架。如表1所示,目標(biāo)詞“叫”所屬框架有三個(gè),但依據(jù)上下文語境S1中“叫”后接地名“茶峒”應(yīng)屬于“命名”框架,而S2中鳥叫聲應(yīng)屬于“發(fā)聲”框架。

表1 語料示例

早期研究中通常將該任務(wù)視為多分類任務(wù),使用傳統(tǒng)的機(jī)器學(xué)習(xí)方法以及人工特征建立模型。Johansson等[4]使用支持向量機(jī)對不同的詞元訓(xùn)練一個(gè)分類器,同時(shí)將詞根、次級框架集合(目標(biāo)詞為動(dòng)詞時(shí))和父子節(jié)點(diǎn)等特征融入其中,并在FrameNet[5]英文語料庫進(jìn)行了驗(yàn)證。然而,特征選擇的復(fù)雜性及龐大的數(shù)量導(dǎo)致人工定義特征成本過高,模型難以泛化。面對該問題,Li等[6]提出T-CRF模型,首先采用句法分析工具得到文本的層次結(jié)構(gòu),之后結(jié)合條件隨機(jī)場模型(CRF)進(jìn)行漢語框架[7]識別。

深度神經(jīng)網(wǎng)絡(luò)的出現(xiàn)使框架識別任務(wù)逐漸擺脫對特征規(guī)則的依賴,且模型性能也得到了提升。Hermann等[8]使用句法和語法特征并將謂詞進(jìn)行分布式表示,之后將其與通過WSABIE算法得到框架表示計(jì)算距離進(jìn)行框架識別任務(wù)。Swayamdipta等[9]提出Open-SESAME,通過Bi-LSTM提取上下文信息,同時(shí)為在上下文中表示目標(biāo)詞,將目標(biāo)詞與相鄰為1的詞語作為前向LSTM的輸入。但上述工作只對語料上下文信息進(jìn)行了提取,忽略了目標(biāo)詞周圍的局部信息特征。且已有工作大多為一個(gè)目標(biāo)詞訓(xùn)練一個(gè)分類器,導(dǎo)致模型缺乏通用性。

通過分析語料發(fā)現(xiàn),目標(biāo)詞周邊詞語對框架識別有重要作用。如表1中句S1,只需確認(rèn)目標(biāo)詞周邊2個(gè)字(即“小城叫茶峒”)就可確定所屬框架。且在語料中,不同的字詞對目標(biāo)詞框架選擇的影響程度不同,如S2中“鳥兒”和“嘰嘰喳喳”對框架選擇的重要程度更高。因此本文引入了局部信息提取機(jī)制,強(qiáng)化框架識別中的局部信息;此外,由于基于RNNs的模型存在長距離依賴的問題,故此本文采用大型預(yù)訓(xùn)練模型BERT[10]得到文本表示,并基于此使用RNNs進(jìn)一步捕捉文本的序列化結(jié)構(gòu)。

綜上所述,本文的主要貢獻(xiàn)包括:

(1) 在框架識別任務(wù)上將預(yù)訓(xùn)練語言模型與RNNs相結(jié)合,既緩解了長距離依賴問題,又可同時(shí)捕捉到文本固有的序列化信息。

(2) 結(jié)合框架識別的特點(diǎn),提出一種局部信息提取機(jī)制,其可以強(qiáng)化框架識別中的局部重要信息。

(3) 在FrameNet和Chinese FrameNet上的實(shí)驗(yàn)結(jié)果表明本文所提方法可有效提高框架識別準(zhǔn)確率。

1 相關(guān)工作

框架語義分析最早由Gildea等[11]提出,并通過使用FrameNet進(jìn)行了可行性驗(yàn)證,后來在2007年的SemEval中被正式以評測任務(wù)的方式提出。作為框架語義分析子任務(wù)的框架識別也備受矚目。

現(xiàn)有的框架模型主要依靠兩種方式:第一種主要使用傳統(tǒng)的機(jī)器學(xué)習(xí)模型進(jìn)行分類,比如條件隨機(jī)場(CRF)、支持向量機(jī)(SVM)和最大熵(ME)等模型。Bejan[12]使用SVM和ME模型對FrameNet中556個(gè)帶有歧義的目標(biāo)詞分別構(gòu)造多分類器進(jìn)行識別。李濟(jì)洪等[13]利用詞性、依存句法等特征,使用最大熵進(jìn)行建模。門宇鵬等[14]在其基礎(chǔ)上加入語義依存分析特征,并利用支持向量機(jī)進(jìn)行分類。但以上研究大多由研究者自行選擇特征,并利用現(xiàn)有的分析系統(tǒng)抽取特征。這不僅加大了研究人員的工作量還由于分析系統(tǒng)自身存在的誤差且沒有進(jìn)行修復(fù)導(dǎo)致存在誤差累計(jì)。

隨著深度學(xué)習(xí)技術(shù)在自然語言處理領(lǐng)域中相關(guān)任務(wù)的深入應(yīng)用,越來越多的研究者也嘗試將其引入到框架識別任務(wù)中。Das等[3]將多種句法特征融入到半監(jiān)督學(xué)習(xí)方法進(jìn)行框架識別;Hermann等[15]通過引入大型外部數(shù)據(jù)庫來提高框架識別性能;在此基礎(chǔ)上張力文等[16]將詞語及句子利用分布式表征方法表示,再使用相似度計(jì)算的方式進(jìn)行框架的識別。借鑒以上方法,Botschen等[17]通過將語料中的目標(biāo)詞替換為目標(biāo)框架進(jìn)行迭代訓(xùn)練,最后提出該目標(biāo)詞位置的向量作為框架的表示參與框架識別任務(wù)。侯運(yùn)瑤等[18]通過對同一例句同一目標(biāo)詞所激起的框架構(gòu)建正負(fù)例,再經(jīng)過以hinge-loss為目標(biāo)函數(shù)的神經(jīng)網(wǎng)絡(luò)不斷學(xué)習(xí),得到帶有可區(qū)別該目標(biāo)詞所屬正確框架與錯(cuò)誤框架的框架表示向量,并使用該向量進(jìn)行框架的識別。然而,神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)特征的優(yōu)點(diǎn)并沒有體現(xiàn)。因此,趙紅燕等[19]將深度神經(jīng)網(wǎng)絡(luò)框架與詞分布式表征相結(jié)合,基于卷積神經(jīng)網(wǎng)絡(luò)建立了一個(gè)通用的框架識別網(wǎng)絡(luò)。但以上工作均忽略了目標(biāo)詞周圍的局部信息。

2 框架識別模型

框架識別任務(wù)是指給定包含目標(biāo)詞的句子S,記為S=(w1,w2,…,wn),其中wi為組成句子的第i個(gè)字(英文為第i個(gè)詞),1≤i≤n。待識別目標(biāo)詞記為WT=(wt1,wt2,…,wtn),Wt∈S。要求通過上下文的語義場景從給定的框架庫F={f1,f2,…,fn}中選擇出適合的框架ft,記為:

(1)

本文提出一種融合全局和局部注意力機(jī)制的框架識別模型,整體架構(gòu)如圖1所示。其主要分為3個(gè)部分:① 編碼層:通過預(yù)訓(xùn)練模型得到文本的向量表示。② 注意力交互層:通過全局注意力和局部注意力分別對上下文及目標(biāo)詞周邊信息建模,得到面向目標(biāo)詞的語義信息編碼。③ 輸出層:融合得到的特征信息經(jīng)過全連接層變換后輸入分類器進(jìn)行框架的選擇。

圖1 TBGA模型結(jié)構(gòu)

2.1 編碼層

本文采用BERT作為文本編碼層,將“[CLS]+句子S+[SEP]”作為模型輸入X,其模型結(jié)構(gòu)如圖2所示。

圖2 BERT預(yù)訓(xùn)練語言模型結(jié)構(gòu)

圖3 窗口大小K實(shí)驗(yàn)

其使用雙向Transformer[20]作為基本結(jié)構(gòu),將每個(gè)詞與其上下文信息進(jìn)行交互,并賦予不同權(quán)重,以此得到融合上下文信息的文本表示。

Ei=Etoken(xi)+Epos(xi)+Eseg(xi)

(2)

Hs=BERT(E1,E2,…,En)

(3)

式(2)和式(3)展示了BERT的處理過程,首先將輸入X進(jìn)行分詞操作得到標(biāo)記序列[x1,x2,…,xn],n為序列長度。再分別使用詞嵌入、位置嵌入、段落嵌入將每個(gè)xi編碼為向量Ei,最后將其輸入BERT中輸出詞向量Hs∈Rn×d。

2.2 注意力交互層

框架識別中一條句子可能存在多個(gè)框架場景,如表1的句子S4中存在兩個(gè)目標(biāo)詞“是”和“成為”。同時(shí)在同一語料中一個(gè)目標(biāo)詞也可屬于多個(gè)框架,如句子S3中,“叫皮皮的狗”刻畫的是對狗的指稱,屬于“命名”框架;而“瘋狂地叫著”體現(xiàn)的是“發(fā)出聲響”,屬于發(fā)聲框架。因此目標(biāo)周邊信息對框架識別任務(wù)格外重要。本文使用Bi-GRU分別對目標(biāo)詞上下文和目標(biāo)詞周邊信息進(jìn)行語義信息提取,捕捉文本語言中的序列結(jié)構(gòu)信息和目標(biāo)詞的局部信息特征。針對語料中各個(gè)詞語在框架識別任務(wù)時(shí)重要性差異問題,本文引入注意力機(jī)制,從而有效地提供了針對目標(biāo)詞的文本語義信息。

2.2.1序列化特性提取

基于Attention機(jī)制的BERT預(yù)訓(xùn)練模型無法捕捉自然語言獨(dú)特的序列化結(jié)構(gòu)。故本文引入雙向門控循環(huán)網(wǎng)絡(luò)(Bi-GRU)挖掘BERT所得文本表示中的結(jié)構(gòu)信息。

(4)

(5)

(6)

Shi=[h1,h2,…,hn]

(7)

為提取目標(biāo)詞周邊信息,本文以目標(biāo)詞為中心,使用開窗口的方式選取其周邊字組成周邊句ST=(wt1-k,…,wt1-1,wtn+1,…,wtn+k)其中k為窗口的大小。通過使用Bi-GRU對周邊句進(jìn)行建模提取特征,Sti記為局部信息表示。如式(8)-式(11)所示。其中xti∈R2k×2d是經(jīng)過編碼后的周邊句中的字向量。

(8)

(9)

(10)

Sti=[ht1,ht2,…,ht2k]

(11)

2.2.2雙注意力機(jī)制

在目標(biāo)詞的上下文中不同的詞語對目標(biāo)詞框架選擇的影響力不同。如表1的句子S2中“《邊城》中的小城”的“小城”更能體現(xiàn)出框架“命名”的場景,而“《邊城》”僅起定語的作用。因此對于語料中包含語義角色的詞語,定語、補(bǔ)語之類不同程度的修飾詞語應(yīng)在進(jìn)行句子語義表示時(shí)賦予不同的權(quán)重。因此本文在Bi-GRU編碼層后引入注意力機(jī)制,從而使得表達(dá)出的語義更加符合當(dāng)前目標(biāo)詞所表達(dá)的語義場景。

如式(12)-式(15)所示,本文將BERT所得的目標(biāo)詞表示uwt∈Rd作為注意力機(jī)制中的查詢值query,將Bi-GRU得到的句子表示Shi視為key和value,得到關(guān)于目標(biāo)詞的注意力權(quán)重矩陣。之后將權(quán)重矩陣與文本表示Shi加權(quán)求和,得到融入目標(biāo)詞信息的文本特征表示M∈Rd。

uwt=mean(WT)

(12)

ui=tanh(Wihi+bi)

(13)

(14)

(15)

同時(shí),為提取更有效的目標(biāo)詞周邊信息,對Bi-GRU所得到的目標(biāo)詞局部信息表示Sti也使用了同樣操作。如式(16)-式(18)所示,使用目標(biāo)詞詞向量uwt計(jì)算周邊詞語的可靠度ati,并將Mt作為周邊句的特征向量。

uti=tanh(Wtihti+bti)

(16)

(17)

(18)

2.3 輸出層

為充分融合上下文語義特征、周邊詞語義特征與目標(biāo)詞特征,本文將三種特征進(jìn)行拼接作為最終的整體信息Q∈Rd×3。其中為了充分體現(xiàn)目標(biāo)詞中每個(gè)字的信息,目標(biāo)詞特征Mw為目標(biāo)詞中的每個(gè)字向量相加得到,如式(19)-式(20)所示。

Mw=wt1+wt2+…+wtn

(19)

Q=M?Mt?Mw

(20)

在網(wǎng)絡(luò)最后使用全連接層進(jìn)行約束,并將結(jié)果輸入softmax分類器中進(jìn)行分類。與其他方法不同,本方法使用一個(gè)分類器對不同目標(biāo)詞進(jìn)行識別,為多分類問題,故采取CrossEntropyLoss損失函數(shù)訓(xùn)練整個(gè)網(wǎng)絡(luò)。其輸入為真實(shí)樣本類別分布p(x)和觀測樣本的預(yù)測概率分布q(x),如式(21)-式(22)所示。

q(x)=softmax(Q)

(21)

(22)

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)集

本文分別在漢語框架語義知識庫(Chinese FrameNet,CFN)和英文框架語義知識庫(FrameNet)進(jìn)行了實(shí)驗(yàn),表2介紹了文中所使用數(shù)據(jù)集的詳細(xì)信息。其中FrameNet1.5數(shù)據(jù)集中目標(biāo)詞歧義的語料較少,無法較好體現(xiàn)出本文所提方法在框架排歧上的優(yōu)越性。故針對框架排歧實(shí)驗(yàn)分析,本文主要采用CFN語料。

表2 數(shù)據(jù)集的分布

3.2 評價(jià)指標(biāo)

實(shí)驗(yàn)采用準(zhǔn)確率(accuracy)作為評價(jià)指標(biāo),計(jì)算的是所有正確預(yù)測的樣本數(shù)占總預(yù)測樣本數(shù)的比值,不考慮預(yù)測的樣本是正例還是負(fù)例。本次在實(shí)驗(yàn)中就是在所有目標(biāo)詞標(biāo)簽預(yù)測的目標(biāo)句中,標(biāo)簽預(yù)測正確的句子占有的比例。計(jì)算公式如下:

(23)

式中:TP+TN是正確識別框架的例句數(shù);TP+TN+FP+FN是框架識別的例句總數(shù)。

3.3 參數(shù)設(shè)置

實(shí)驗(yàn)的參數(shù)設(shè)置如表3所示,本文將最大序列長度設(shè)置為128,訓(xùn)練批量大小為16,使用Adam優(yōu)化函數(shù),初始學(xué)習(xí)率為5e-5,并設(shè)定隨著訓(xùn)練的進(jìn)行將學(xué)習(xí)率逐漸降低,衰減率為0.05,epoch為5。Bi-GRU隱層節(jié)點(diǎn)數(shù)也為768維。

表3 參數(shù)設(shè)置表

3.4 結(jié)果分析

本文主要進(jìn)行了四組實(shí)驗(yàn):實(shí)驗(yàn)一、二分別使用兩種數(shù)據(jù)集與現(xiàn)有模型方法進(jìn)行了對比;實(shí)驗(yàn)三針對窗口大小的選擇進(jìn)行了分析。實(shí)驗(yàn)四通過消融實(shí)驗(yàn)驗(yàn)證了模型各個(gè)模塊的作用。

3.4.1CFN數(shù)據(jù)集上實(shí)驗(yàn)結(jié)果及分析

在進(jìn)行框架識別任務(wù)時(shí),漢語的復(fù)雜性導(dǎo)致一詞多義及目標(biāo)詞包含語義場景的現(xiàn)象較多,因此CFN相比FrameNet更能體現(xiàn)模型在排岐上的有效性。故選取文獻(xiàn)[18]中的最好結(jié)果作為基線對比,記為C&W_FR。但該方法仍是針對目標(biāo)詞進(jìn)行建模,受限于目標(biāo)詞語料規(guī)模,為得到更可靠的實(shí)驗(yàn)對比,將語料按照論文方式劃分成四個(gè)大小相同子集并保證目標(biāo)詞所屬語料均勻分配到每個(gè)子集。然后將其中任意兩塊作為測試集,其他兩塊作為訓(xùn)練集進(jìn)行3×2折交叉驗(yàn)證實(shí)驗(yàn),結(jié)果如表4所示。此外,本文還比較了其他兩種通過框架表示進(jìn)行識別的模型,結(jié)果如表5所示。

表4 CFN實(shí)驗(yàn)(%)

表5 CFN實(shí)驗(yàn)(%)

可以看出,本文提出的框架識別模型(BTGAT)在六組實(shí)驗(yàn)中均高于基線模型的最好結(jié)果,其平均結(jié)果相較于基線模型提升了2.38%。同時(shí),表5的結(jié)果表示本文的方法顯著優(yōu)于其他方法。以上結(jié)果驗(yàn)證了所提方法針對歧義詞元的識別具有優(yōu)越性。

3.4.2FrameNet1.5上實(shí)驗(yàn)結(jié)果及分析

為驗(yàn)證模型的通用性與延展性,本文比較了其他三種不同的方法并在英文數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)。表6展示了在使用FrameNet1.5作為數(shù)據(jù)集時(shí)的實(shí)驗(yàn)結(jié)果。

表6 FrameNet實(shí)驗(yàn)(%)

可以看出本文通過對上下文和目標(biāo)詞周邊信息進(jìn)行自動(dòng)加權(quán)提取的特征可以有效地進(jìn)行框架的預(yù)測。其中SEMAFOR為Das等[3]對SemEval 2007最佳模型[2]的改進(jìn),采用基于圖的半監(jiān)督學(xué)習(xí)方法和對偶分解算法進(jìn)行識別。對比SEMAFOR系統(tǒng),本文的模型識別效果提升了4.79百分點(diǎn)。相比于同樣未使用語法特征的Open-SESAME[9]系統(tǒng)和Hermann等[15]的方法,模型效果分別提高了1.45百分點(diǎn)和0.76百分點(diǎn),說明本文通過對周邊句提取特征可以有效地提高識別能力。作為通用模型,本文的實(shí)驗(yàn)在英文數(shù)據(jù)集中的結(jié)果均優(yōu)于其他模型。且本模型不是針對詞元進(jìn)行建模,因此若出現(xiàn)與訓(xùn)練框架相似的新詞元不需要針對其進(jìn)行新的建模訓(xùn)練,可直接通過語料自動(dòng)提取特征進(jìn)行識別。故本方法擁有其他模型不具備的魯棒性和延展性。

3.4.3窗口大小K實(shí)驗(yàn)

本文通過調(diào)整例句中以目標(biāo)詞為中心開窗口K的大小,得到對框架識別效果提升最大的目標(biāo)詞周邊信息。以CFN實(shí)驗(yàn)中的最佳效果為例,當(dāng)選擇的窗口大小過大導(dǎo)致目標(biāo)詞左邊或右邊沒有詞語時(shí),為保證輸入注意力機(jī)制的向量維度一致,本文使用0向量進(jìn)行有順序的填充。

可以看出,對于中文,選取大小為4的時(shí)候效果最佳。當(dāng)窗口小于4時(shí),可能過短的周邊詞語無法提取出對框架識別有用的信息導(dǎo)致效果不佳。而當(dāng)窗口過大時(shí)可能導(dǎo)致提取的特征與上下文信息部分重復(fù),影響最終的預(yù)測。對于FrameNet數(shù)據(jù)集,當(dāng)K為2時(shí)效果最佳。原因可能為中英文分詞差異,周邊為2的英文詞匯包含信息與中文周邊4個(gè)字組成的目標(biāo)句信息對識別效果最佳。

3.4.4消融實(shí)驗(yàn)

為了分析神經(jīng)網(wǎng)絡(luò)模型中各個(gè)組成部分的有效性,本文在中文的數(shù)據(jù)集上進(jìn)行了消融實(shí)驗(yàn),具體結(jié)果如表7所示。

表7 消融實(shí)驗(yàn)(%)

可以看出,上下文特征貢獻(xiàn)度大于周邊詞特征。且在加入上下文(+C)和目標(biāo)詞周邊(+R)的特征之后,框架的準(zhǔn)確度在兩個(gè)數(shù)據(jù)集上分別提高了2.54百分點(diǎn)和1.16百分點(diǎn),這表明通過Bi-GRU提取到的特征對框架識別是有意義的。而對得到的兩個(gè)特征引入注意力機(jī)制(+A)使得準(zhǔn)確度進(jìn)一步提升了2.21百分點(diǎn)和1.47百分點(diǎn),說明注意力機(jī)制通過加權(quán)使得語料中的重要信息得到體現(xiàn)。針對同語料目標(biāo)詞不同問題,將目標(biāo)詞作為注意力的參照目標(biāo)對特征進(jìn)行提取,相比之前結(jié)果分別提升了0.96百分點(diǎn)和0.87百分點(diǎn),表明該方案得到的特征更加符合當(dāng)前目標(biāo)詞所刻畫的語義場景。此外,從表7中可以看出在該任務(wù)中,GRU的序列化特性提取性能優(yōu)于LSTM且雙向提取的信息高于單向。

對比兩個(gè)數(shù)據(jù)集及其實(shí)驗(yàn)結(jié)果,由于中文數(shù)據(jù)集的詞元均有歧義而英文數(shù)據(jù)中歧義詞元較少,導(dǎo)致該模型在中文數(shù)據(jù)上各個(gè)模塊之間的提升幅度較大而英文相對幅度較小,表明該模型對歧義框架的識別提升明顯。

3.4.5錯(cuò)誤結(jié)果分析

本文在兩個(gè)數(shù)據(jù)集分別選取了測試集中的50條錯(cuò)誤數(shù)據(jù)進(jìn)行了分析,錯(cuò)誤數(shù)據(jù)如表8所示。其錯(cuò)誤類型主要有以下幾點(diǎn)。

表8 錯(cuò)誤分析

(1) 框架之間具有總分關(guān)系:啟程和出發(fā)的框架定義相近,但總框架分別為位移和旅行,故不僅需要上下文語境,還需分析激起框架中具有的框架關(guān)系,并選擇符合此時(shí)語境的上位框架。

(2) 篇章關(guān)系:如識別詞元“出航”時(shí),只從給出的當(dāng)前語料無法判定其語境為“旅游”還是為“位移”。

(3) 語句情感:“表達(dá)”與“陳述”框架均使用了信息交流框架,區(qū)別在于“表達(dá)”框架偏向于刻畫信息傳遞者的思想、感情等抽象化信息,而“陳述”框架則是重點(diǎn)刻畫說話者傳達(dá)信息的場景。但計(jì)算機(jī)無法對該語料中所傳達(dá)的信息進(jìn)行分辨。

(4) 權(quán)重分配問題:目標(biāo)詞“party”的預(yù)測框架“Organization”在人工標(biāo)注時(shí)無法激起,說明抽取出的上下文及周邊詞特征之和對該詞元的影響力過大,導(dǎo)致目標(biāo)詞特征無法準(zhǔn)確定位框架。

4 結(jié) 語

本文提出了一種BTGAT模型,首先針對多義詞問題,使用BERT對語料訓(xùn)練增強(qiáng)了詞向量的詞義表征能力。其次,通過Bi-GRU對上下文及周邊句信息進(jìn)行語義表示,再使用全局和局部注意力機(jī)制以詞元作為參照目標(biāo)對語義表示進(jìn)行針對性建模,得到符合當(dāng)前目標(biāo)詞所刻畫場景的特征。最后將得到的特征拼接后送入分類器進(jìn)行框架識別。實(shí)驗(yàn)結(jié)果表明,該模型在兩個(gè)數(shù)據(jù)集上的性能均優(yōu)于基線。同時(shí),本模型不僅可用于多種語言且統(tǒng)一訓(xùn)練參數(shù),而非對不同詞元訓(xùn)練不同分類器,因此具有通用性和延展性。此外,本文還對目標(biāo)詞周邊窗口大小對實(shí)驗(yàn)結(jié)果的影響進(jìn)行了研究。結(jié)合錯(cuò)誤分析,在今后的工作中將重點(diǎn)研究框架關(guān)系對識別的影響,嘗試將候選框架之間的聯(lián)系進(jìn)行建模,利用上位框架等信息進(jìn)行過濾。針對篇章關(guān)系,可引入標(biāo)注的篇章語料,通過保留上文重要信息進(jìn)行識別。同時(shí)可對提取的不同特征通過分配不同的權(quán)重,緩解次要特征影響力過大問題,進(jìn)一步提高框架識別的準(zhǔn)確性。