语义角色标注是自然语言理解领域的一项基础技术,通常将语义角色标注问题看作是序列标注问题。目前,解决序列标注问题较为流行的方法是构建基于长短期记忆循环神经网络(Long Short Term Memory,LSTM)模型,该模型可以有效的解决序列文本中长距离信息依赖的问题,且避免了特征的复杂选取任务和对句法分析结果的依赖。本文选择经过改进的双向循环神经网络模型(Bidirectional Long Short Term Memory,BiLSTM)来解决传统机器学习方法存在的缺陷和不足,并选取不同的特征进行实验并分析结果,提出了基于BiLSTM-CRF(Condition Random Field)的语义角色标注模型,设计并实现了基于BiLSTM-CRF的语义角色标注系统。本文在分析了大量相关资料后结合中文宾州树库Chinese Prop Bank(CPB)句法分析结果,给出了语义角色标注领域数据标注的方法,并参考Co NLL国际评测会议的数据对该方法进行改进和完善,将该方法应用于本文语义角色的数据标注中。给出该方法的具体步骤,首先,总结数据中动词所在句子,形成动词文件;然后对语义角色标注领域的每个角色分别单独说明,并举例说明角色所在句子中被标注的类别。构建了基于词边界字向量的BiLSTM语义角色标注模型,并选取词法分析的结果作为其中一个特征,将字与词性特征结合作为组合特征;再利用向量化工具得到词到向量的转换,以此作为该模型的输入数据;同时与基于词和词性结合的实验结果进行对比。对基于BiLSTM词边界字向量的语义角色标注模型继续进行改进和优化,提出了基于BiLSTM-CRF的语义角色标注模型,该模型在基于词边界字向量的基础上,将BiLSTM神经网络结构与CRF结合,并搭建了基于BiLSTM-CRF的语义角色标注系统。由于单独的BiLSTM预测的标签之间是互为独立的,对处理复杂语义关系的句子无能为力。而CRF可以使标签之间携带语义关系,能够计算出标签之间的转移概率,使得下一时刻需要预测的标签可以根据之前时刻的标签来确定,这样能够使预测出来的结果更准确。