摘要
近期研究表明，在语义角色标注（Semantic Role Labeling, SRL）任务中引入句法知识能够显著提升模型性能。本文提出一种新型的语法感知图到图变换器模型（Syntax-aware Graph-to-Graph Transformer, SynG2G-Tr），该模型通过一种创新方式，将句法结构以图关系嵌入的形式直接输入Transformer的自注意力机制中。该方法在引导注意力模式遵循句法结构的同时，仍允许模型灵活学习替代性的模式。我们在基于跨度（span-based）和基于依存关系（dependency-based）的SRL数据集上对模型进行了评估，结果表明，无论是在领域内（in-domain）还是领域外（out-of-domain）设置下，SynG2G-Tr在CoNLL 2005和CoNLL 2009数据集上均优于以往的各类方法。