一、 摘要
目的： 用svm 做 浅层 semantic parsing
贡献： 加入了新feature和新分类器， 泛化更好
数据集： AQUAINT corpus
二、 介绍
浅层语义分析定义： 分析 who dit what to whom ， when，where ， how 。。。。etc
早期 ： 利用tagging 的思想来解释
三、 semantic annotation and corpora
数据集结果选用propbank， 每个verb 被标注为ARG0 - ARG5 ，
ARG0 ： PROTO-AGENT，动作主体
ARG1 ： PROTO-PATIENT， 动作受体 等
训练集合 51000 句， 有13万成分
测试集合 2700句， 有7000成分
四、 问题定义
augument identification（成分获取）：给定句法结构， 确定句子中每个部分的成分 （我的理解是类似于实体链指中的实体抽取， 就是确定是不是argument的候选）
argument classification（成分分类）： 给定成分， 对成分进行分类
五、基线特征
predicate - predicate 自己用作特征
path - 句法路径， 应该是当前词-predicate 的路径， 组了个string
phrase type - 短语类型， NP 、 PP、 S等
position - 在 predicate 前还是后
voice - predicate 是否是主动词语
head word -
sub categorization - 联合predicate 和 其父节点组成的句法泛化成分
六、 训练
SVM 组多分类，
先训了一个NULL 、 NON-NULL的分类器（augument identification）
七、 基线效果
八 、 新feature
1. 实体信息
2. head word pos
3. verb clustering ， 对verb 进行归纳（分为64类）
4. partial path ， 保留最低节点的path
5. verb sense info- 动词消岐
6. head word of prep phrase
7. 短语开始结尾postag
等等， 不介绍了
九、 模型表现
总结： 没啥总结的， 感觉方法都很基础， 实际泛化效果会下降20+个点， 主要是分析、和过拟合等问题导致的