语义角色标注（Semantic Role Labeling,SRL）,又称为浅层语义分析,其目标是识别句子的谓语论元结构,包括句子中的所有谓词,以及谓词相关的论元。首先,为了解决多领域SRL数据集匮乏的问题,本文人工标注了一个较大规模的多来源多领域汉语SRL数据集,进而开展了跨领域SRL方法探索。考虑到语义和句法的紧密联系,本文的另一个重点是如何在跨领域SRL模型中有效地使用句法信息。本文尝试了两种句法驱动汉语SRL方法,一种是主流的基于图卷积神经网络（Graph Convolutional Networks,GCN）编码句法树的句法驱动方法;另一种是基于树编辑的句法驱动方法,本文首次提出对自动句法树进行特定编辑,使得原本通用的句法信息更适配于SRL任务。最终,本文利用这两种句法驱动方法帮助跨领域汉语SRL任务,从而提升跨领域汉语SRL模型的性能,缓解SRL领域迁移问题。本文的主要内容如下:（1）跨领域汉语SRL数据集构建考虑到多领域SRL数据集的匮乏,本文初步构建了一个多来源多领域的汉语SRL数据集。首先,本文编制了详细的标注规范,面向多源多领域的文本,采用严格双人标注和专家审核不一致的方式,构建了包含6个领域、3.1万句子、9.2万谓词的多领域汉语谓词论元数据集（multi-domain Chinese predicate-argument dataset,MuCPAD）。进而,本文对MuCPAD数据集进行了统计和分析,分析标注语料的质量,并阐述不同领域语料的特点。（2）基于GCN编码的句法驱动跨领域汉语SRL本文尝试和比较了多种编码方式,使用图卷积神经网络GCN来刻画多个异构句法树中包含的句法信息,包括句法结构和标签信息,进而将异构句法信息编码为句法特征表示引入到SRL模型,最终提升汉语SRL模型的性能。进而,在MuCPAD上,本文探究了基于GCN编码的句法驱动方法在跨领域SRL场景上的表现。实验结果显示,通过GCN编码句法树融入句法信息,在绝大部分有领域上都能够取得显著的性能提升,尤其当句法训练数据中包含某一目标领域文本时,该领域上的SRL性能提升幅度会明显增大。（3）基于树编辑的句法驱动跨领域汉语SRL之前的句法驱动相关工作,通常都是直接使用句法分析器产生的自动句法树。然而,通用的句法结构很可能无法对特定任务提供最有效的支持。因此,本文尝试了两种基于树编辑的句法驱动语义分析方法,通过对自动句法树或句法路径进行特定编辑操作,得到更适配于SRL任务的句法信息。第一种树编辑方法是在保证树的合法性的前提下,以句法弧为单位进行编辑。实验证明,相比原始句法树,编辑后的句法树只能略微提升SRL性能。第二种树编辑方法则首先抽取谓词和候选论元之间的句法路径信息,包括路径上弧的方向和标签,进而对句法路径信息进行编辑。实验表明,第二种方法能够明显提升基于路径嵌入方法的句法驱动SRL模型,并且与其他基于GCN编码的句法驱动方法相比,性能非常接近。最后,本文在MuCPAD上验证了基于树编辑的句法驱动跨领域SRL方法的有效性。相比基线模型,所有目标领域性能平均提升了 10%左右。综上所述,本文对句法驱动的跨领域汉语SRL任务进行了初步探索。为了开展跨领域汉语SRL实验,本文人工标注了高质量多领域汉语SRL数据集。然后,重点研究了如何在SRL模型中更有效地使用句法信息,并将句法驱动方法应用于跨领域汉语SRL场景中,显著提升了跨领域汉语SRL模型的性能。希望本文的工作能对跨领域汉语SRL任务未来研究带来一定的帮助。