1、作為淺層語(yǔ)義分析的一種實(shí)現(xiàn)形式，近年來(lái)語(yǔ)義角色標(biāo)注逐漸發(fā)展成為自然語(yǔ)言處理領(lǐng)域的一個(gè)研究熱點(diǎn)，并被廣泛應(yīng)用到問(wèn)答系統(tǒng)、信息抽取以及機(jī)器翻譯等多個(gè)領(lǐng)域。語(yǔ)義角色識(shí)別是對(duì)給定句子中的目標(biāo)詞，自動(dòng)識(shí)別出句子中的某個(gè)成分是否是該目標(biāo)詞的語(yǔ)義角色。語(yǔ)義角色識(shí)別是語(yǔ)義角色標(biāo)注兩個(gè)子任務(wù)（角色識(shí)別和角色分類）中首要子任務(wù)。
　　本文只研究漢語(yǔ)框架語(yǔ)義角色的識(shí)別問(wèn)題。本文基于詞分布表征采用了神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了可以融合多種特征的神經(jīng)網(wǎng)絡(luò)訓(xùn)練、測(cè)試

2、算法。
　　關(guān)于詞分布表征（distributed representations），本文使用了目前比較流行的三種表示，其分別是C&W，RNNLM和Word2Vec。
　　本文是將語(yǔ)義角色識(shí)別任務(wù)轉(zhuǎn)化為序列標(biāo)注問(wèn)題，以字和詞為標(biāo)注單位分別做了研究。以字為標(biāo)注單位時(shí)，本文抽取出了字特征、相鄰字的組合特征、基本塊特征等多種字層面特征；以字為標(biāo)注單位的最好結(jié)果為50.10％；以詞為標(biāo)注單位時(shí)，本文抽取出了詞特征、詞性特征、位置特征

3、、目標(biāo)詞特征、相鄰詞的組合特征、相鄰詞性的組合特征、基本塊特征，以及詞、詞性和位置三者之間的兩兩搭配特征等多種詞層面特征。以詞為標(biāo)注單位時(shí)達(dá)到72.89%，是目前漢語(yǔ)框架語(yǔ)義角色識(shí)別的最好結(jié)果。但該結(jié)果是基于正確分詞時(shí)的實(shí)驗(yàn)結(jié)果。
　　特別地，為了獲得基本塊的分布表征，本文首先構(gòu)建了基于深層神經(jīng)網(wǎng)絡(luò)的漢語(yǔ)基本塊識(shí)別最優(yōu)模型。利用最優(yōu)模型對(duì)輸入層進(jìn)行基本塊識(shí)別，在此過(guò)程中選擇若干隱層分別作為基本塊的分布表征，將其與角色識(shí)別的神經(jīng)網(wǎng)絡(luò)