一个更严重的问题是语义角色只能在语义到句法的一般映射中担当很小的角色。这是因为语义角色只与NP和PP论元的语法角色的确定有关，并不参与动词的其他论元和其他谓词的实现。这种可能的论元已有许多，比如句子的补语（Sfin，Swh-，Sforto），动词短语（VPbrst, VPto等）或引用（Quo）。而且，语义角色只对动词论元的映射起作用，但是其他词类, 例如名词也有论元（destruction of the city,father of the bride）。

对语义角色的这些问题有许多可能的处理方法。许多系统以实用为目的而继续使用它们，比如在机器翻译中作为中间语言或在浅层语义诠释中作为适宜的语义层。其他研究者认为语义角色应该被看成是一种附带的现象，而不是一个独特的表示层。例如,跟随Foley and van Valin(1984),Dowty（1991）认为语义角色不是一组集合，而是只有两个组合的概念：原型施事（PROTO-AGENT）和原型受事（PROTO-PATIENT）。确定一个动词的论元是否是原型施事，可以从动词的深层概念的结构意义的蕴涵中得到预测。概念结构中的语义角色与语法功能之间的映射可以通过简单的规则进行（最可能是原型施事的论元是主语，最可能是原型受事的论元是宾语，或被动句中的主语）。Dowty的两个规则导致直接指向动词的深层概念结构，因此语义角色完全不再出现于任何表示层中。

Dowty模型的一个缺陷是从事件及其参与者的潜在概念结构不能总是预测出语义角色。例如，Fillmore(1977)指出能够描述同一商业事件（commercial event）的不同动词可以选择不同的方式来表达事件的参与者。例如，在Amie和Benson之间涉及3美元和1个三明治的交易可以用下面任意一种方式来描述：

动词buy，sell和pay，选择商业事件的不同视角，并选择潜在参与者与题元角色的不同映射来实现这种视角。这三个动词具有完全不同的映射的事实暗示：动词的语义角色必须在动词的词典条目中列出，从潜在的概念结构是不能预测的。

这个事实，再加上前面所提到的动词交替不能完全从语义角色预测的事实（例如donate这样的特例），导致许多研究者认为任何有用的计算词典都需要列出每个动词（或形容词或其他谓词）句法和语义的组合的可能性。对每个动词列出组合可能性的另一个好处是也可以给出每个语义框架的概率。

FrameNet项目(Baker et al.,1998;Low et al.,1997)是近期为列出英语中许多谓词的这些元素而做的一次尝试。一个词的FrameNet条目列出了它所带的每个论元集，包括语义角色、句法短语和它们的语法功能的可能集合。FrameNet中所用到的语义角色远比我们曾描述过的那十个例子更具体。每个FrameNet的语义角色被定义为框架（frame）的一部分，而每个框架又是领域的一部分。例如，认知（Cognition）领域存在一些框架,包括静态认知（static cognition）（比如believe,think 和understand),思考(cogitation)(比如brood,ruminate)和判断（judgment)(比如accuse,admire 和rebuke）等框架。所有的认知框架都定义语义角色COGNIZER。在判断框架中，COGNIZER被指向JUDGE,该框架也包括一个EVALUEE,一个REASON和一个ROLE,这里是几个例子（Johnson,1999):

Judge       Kim respects Pat for being so brave 

Evaluee    Kim respects Pat for being so brave

Reason    Kim respects Pat for being so brave

Role        Kim respects Pat as a scholar

图16.10

每个条目也被标注了上图116.10中所描述的短语类型以及语法功能（主语、宾语或补语）。例如，这里是判断动词appreciate的部分FrameNet条目，我们只给出该动词的主动涵义，完整的条目也包括被动涵义。下面的例句（有的经过裁剪）来自英国国家语料库（British National Corpus）：

对应地，动词appreciate的另一个涵义是作为类似understand的静态认知的动词，静态认知动词具有诸如COGNIZER和CONTENT之类的角色，这里是一些例子：

研究这些例句可以清楚地得出一些关于不同语义角色的实现的普遍性原则。JUDGE，COGNIZER和AGENT一般常实现为主动句的主语。ROLE常实现为介词as的PP。CONTENT常实现为某种类型的S。在这种细粒度的层次上表示语义角色则可使指向句法的映射更清晰。

为了给句子自动指派语义角色，Gildea et al.(2000)给出了一个利用FrameNet 训练的随机算法。对每个待标的成分，算法计算每个可能的语义角色的概率。这些概率，利用手工标注的FrameNet数据库进行训练，与动词、待标成分的中心语、动词的语义（主动，被动）以及待标成分的句法范畴（NP，S和PP等）和语法功能（主语，宾语）有关。

像FrameNet这样的方案的主要不足在于，在定义每个领域、每个框架的语义角色时需要大量的人力。Riloff and Schmelzenbach(1998)给出了一个基于语料库的方法，以便于从未标注文本中获取语义角色集。

责任编辑：admin