本研究针对NomBank注释语料库中的英语名词进行语义角色标注，提出了一种结合传统与基于变压器的机器学习方法的新系统，F1分数达到91.74%，显著提高了标注准确性。

本文提出了一种基于注释投射的语义角色标注框架，旨在提升外语学习中的语义分析效果。研究表明，该框架在英汉平行语料库中实现了高准确度的自动标注，并通过新模型和跨语言特征显著提高了低资源语言的SRL性能。实验结果显示，该方法在多种语言中优于传统模型。

本文介绍了一系列新模型和方法，旨在提高隐式参数预测和语义角色标注（SRL）任务的性能。这些模型通过结合叙事连贯性、实体显著性和自然语言定义，显著提升了文本理解和推理能力，尤其在深度学习模型中表现优异。

本文介绍了CLIP模型在图像上下文学习和半监督图像标注中的应用，提出的ClipSitu XTF模型在语义角色标注任务中准确率提高14.1%。通过改进的对比学习，CLIP模型在细粒度理解和跨模态理解能力上取得了稳定进展，推动了多媒体信息检索的发展。

本文提出了一种新的自动摘要评估方法，结合自然语言推理和语义角色标注，开发了Lite2.xPyramid等中间度量工具，以提高摘要质量评估的准确性。研究表明，基于精细语义单元的评估协议和数据集能显著改善自动度量结果，并与人类评估高度一致。