http://www.sohu.com/a/226966010_100118081

    https://posts.careerengine.us/p/5b2bb01d3b488133bee50e02

    SRTs所传达的内容的一个基本要素是论证结构——谁对谁做了什么，哪里，何时和为什么，即事件，参与者和他们之间的关系。实际上，论证结构的基本原理已经被语义语言学（Levinand Hovav，2005）和NLP中几乎所有的语义学方法中公认，例如语义角色标注（SRL;Gildea and Jurafsky，2002）、形式语义分析（例如，Bos，2008）和抽象语义表示（AMR;Banarescu et al.,2013）

    定义语义表示的另一种方法是通过外部（超文本）标准或应用程序。例如，可以定义语义表示以支持推理，如文本蕴含（Daganet al.，2006）或自然逻辑（Angeliand Manning，2014）。其他示例包括在支持知识库查询方面定义语义表示（Zelleand Mooney，1996;Zettlemoyer and Collins，2005），以及通过不同的模式来定义语义，例如根据与它对应的图像来解释文本（Kiroset al.，2014），或者根据具体的运动和感知模式（Feldmanet al.，2010）。

    向量空间模型（VSM）则采用了一种不同的语义表示方法，它避免使用符号结构，而是从单词级别到短语和句子，将所有语言元素建模为向量。这种方法的使用者通常采用神经网络方法，在包括诸如跨语言词相似性（Ammar等，2016），机器翻译（Bahdanauet al.，2015）和依赖性解析（Andoret al.，2016）等词汇任务的各种任务中展现了其优越性能。VSM也具有足够的灵活性来模拟非局部和梯度现象（例如，Socheret al.，2013）。这些模型能够可靠捕获语义现象的范围依然需要更多的研究来论证。因此，我们在本次调研中对VSM只做了浅显的了解。

    最后，语义分析的一个主要考虑因素，同时也是其重要潜在优势之一，是其跨语言的普遍性。虽然语言在其形式方面不同（例如，语音学，词汇和语法），但是在其语义内容方面大同小异（BarHillel，1960;Fodor，1975）。

    AMR（抽象语义表示）AMR目前并不支持高于句子水平的关系，而且是以英文为中心的。这将可能导致语义合并现象，即在英文中拥有相似含义的部分标注成一个类别。

    UCCA（通用概念认知标注）： UCCA(Abend and Rappoport, 2013a,b) 是一种跨语言适用的语义标注方法。目前来说，UCCA比上面提到的方法都粗糙很多（例如，它不包括语义角色信息）。然而，其优势之处在于跨语言方面的表现。

    UDS（通用分解语义）

    ThePrague Dependency Treebank (PDT) Tectogrammatical Layer (PDT-TL) （布拉格依赖树库－深层语法层）

    基于CCG的方法。 CCG（steedman,2000）是一种词汇化语法（即几乎所有的语义内容都在词典中被编码）

    基于HPSG的方案。 与基于CCG的方法相关的是基于中心语驱动的短语结构语法（HPSG;Pollard and Sag，1994）的语义表示方法。在这种方法中，句法和语义特征被表示为特征结构。