의미 역할 레이블링 (SRL) 재검토: 의존성 기반 분석을 활용한 효율적인 구조적 추론

의미 역할 레이블링 (Semantic Role Labeling, SRL) 은 술어-명사 관계의 명시적 표현을 제공하여 누가 무엇을 누구에게 했는지와 같은 언어학적으로 근거된 관계를 포착합니다. 최근 자연어 처리 (NLP) 의 발전은 대규모 언어 모델 (Large Language Models, LLMs) 에 의해 주도되어 왔으나, 이러한 시스템은 종종 암묵적인 의미 표현에 의존하며 명시적인 구조적 제약과 체계적인 설명 메커니즘이 부족합니다. 전통적으로 SRL 시스템은 AllenNLP 를 많이 사용했지만, 이 프레임워크는 2022 년 12 월에 유지보수 모드로 전환되어 진화하는 인코더 아키텍처와 현대적인 추론 요구사항과 호환성을 제한했습니다. 우리는 구조적 SRL 모델링을 재검토하여 명시적인 술어-명사 구조를 유지하면서 추론 속도를 10 배로 개선할 수 있는 현대화된 인코더 기반 프레임워크를 소개합니다. BERT-base 를 사용하여 모델은 유사한 예측 성능을 달성하며, RoBERTa 와 DeBERTa 는 동일한 프레임워크 내에서 F1 점수를 더욱 향상시킵니다. 우리는 의존성 기반 진단 방법을 채택하여 스페인 레벨의 불일치를 특징화하고, 의존성 기반 구조적 신호 하에서 LLM 의 행동에 대한 표현 수준의 분석을 수행합니다. 결과는 의존성 단서가 주로 구조적 안정성을 개선한다는 것을 나타냅니다. 마지막으로, 이 프레임워크의 명시적인 술어-명사 구조가 다운스트림 응용 프로그램으로 다국어 SRL 프로젝트를 지원할 수 있음을 보여줍니다.