---
title: "語義角色標注（Semantic Role Labeling）"
slug: semantic-role-labeling
language: zh-TW
source: https://aiterms.tw/terms/semantic-role-labeling
updated_at: 2026-06-23
tags: [自然語言處理, 事件提取, 論元角色, 語義分析, 資訊擷取]
ipas_term: false
---

# 語義角色標注（Semantic Role Labeling）

自動識別句子中的謂詞與其論元，並為每個論元標注其語義角色（如施事者、受事者、地點）。

## 完整說明

語義角色標注（Semantic Role Labeling，SRL）是自然語言處理的重要任務，目標是從句子中自動提取謂詞-論元結構，識別每個論元在謂詞事件中的語義角色。常見角色包括施事者（Agent）、受事者（Patient）、工具（Instrument）、地點（Location）、時間（Time）等。SRL 提供了比句法結構更接近語義的事件表徵，廣泛應用於資訊擷取、問答系統、事件抽取等領域。

## 常見問題

### 語義角色和句法成分有什麼區別？

句法成分描述詞組如何組織（NP、VP、PP），語義角色描述詞語參與事件的方式。同一句法成分可有不同角色，同一角色可用不同句法實現。例如「John cut the apple with a knife」與「The knife cut the apple」中，"the knife" 分別是工具（Instrument）和主語（Agent），句法成分同為 NP 但角色不同。

### 怎樣處理一個詞有多個謂詞義的情況？

謂詞消歧（Predicate Sense Disambiguation）是 SRL 的第一步。現代方法利用上下文（前後詞彙、句法結構）確定謂詞義。PropBank 為多義詞提供編號框架（如 run.01 表奔跑，run.02 表經營），系統需先預測框架編號，再標注相應角色。預訓練模型通常隱式地學習這種消歧。

### 能用 SRL 完全自動化資訊擷取嗎？

SRL 提供了事件的框架，但無法保證 100% 準度。結合指代消解可提升結果，但複雜事件（涉及多謂詞、隱含論元、領域特定知識）仍需人工後處理或人機協作。實踐中，SRL 是資訊擷取管線的重要組件但不是唯一組件。

---

來源：https://aiterms.tw/terms/semantic-role-labeling
快查頁：https://aiterms.tw/terms/semantic-role-labeling
最後更新：2026/06/23
深度解說：https://aiterms.tw/learning/what-is-semantic-role-labeling