自然語言處理中極其重要的句法分析

本文簡要介紹了自然語言處理中極其重要的句法分析，并側(cè)重對依存句法分析進(jìn)行了重點(diǎn)總結(jié)，包括定義、重要概念、基本方法、性能評價(jià)、依存分析數(shù)據(jù)集，最后，分享了一些流行的工具以及工具實(shí)戰(zhàn)例子。

01

句法分析

句法分析（syntactic parsing）是自然語言處理中的關(guān)鍵技術(shù)之一，它是對輸入的文本句子進(jìn)行分析以得到句子的句法結(jié)構(gòu)的處理過程。

對句法結(jié)構(gòu)進(jìn)行分析，一方面是語言理解的自身需求，句法分析是語言理解的重要一環(huán)，另一方面也為其它自然語言處理任務(wù)提供支持。例如句法驅(qū)動(dòng)的統(tǒng)計(jì)機(jī)器翻譯需要對源語言或目標(biāo)語言（或者同時(shí)兩種語言）進(jìn)行句法分析。

語義分析通常以句法分析的輸出結(jié)果作為輸入以便獲得更多的指示信息。根據(jù)句法結(jié)構(gòu)的表示形式不同，最常見的句法分析任務(wù)可以分為以下三種：

句法結(jié)構(gòu)分析（syntactic structure parsing），又稱短語結(jié)構(gòu)分析（phrase structure parsing），也叫成分句法分析（constituent syntactic parsing）。作用是識別出句子中的短語結(jié)構(gòu)以及短語之間的層次句法關(guān)系。

依存關(guān)系分析，又稱依存句法分析（dependency syntactic parsing），簡稱依存分析，作用是識別句子中詞匯與詞匯之間的相互依存關(guān)系。

深層文法句法分析，即利用深層文法，例如詞匯化樹鄰接文法（Lexicalized Tree Adjoining Grammar，LTAG）、詞匯功能文法（Lexical Functional Grammar，LFG）、組合范疇文法（Combinatory Categorial Grammar，CCG）等，對句子進(jìn)行深層的句法以及語義分析。

02

依存句法定義

維基百科是這樣描述的：The dependency-based parse trees of dependency grammars see all nodes as terminal, which means they do not acknowledge the distinction between terminal and non-terminal categories. They are simpler on average than constituency-based parse trees because they contain fewer nodes.

依存句法是由法國語言學(xué)家L.Tesniere最先提出。它將句子分析成一顆依存句法樹，描述出各個(gè)詞語之間的依存關(guān)系。也即指出了詞語之間在句法上的搭配關(guān)系，這種搭配關(guān)系是和語義相關(guān)聯(lián)的。

在自然語言處理中，用詞與詞之間的依存關(guān)系來描述語言結(jié)構(gòu)的框架稱為依存語法（dependence grammar），又稱從屬關(guān)系語法。利用依存句法進(jìn)行句法分析是自然語言理解的重要技術(shù)之一。

03

重要概念

依存句法認(rèn)為“謂語”中的動(dòng)詞是一個(gè)句子的中心，其他成分與動(dòng)詞直接或間接地產(chǎn)生聯(lián)系。

依存句法理論中，“依存”指詞與詞之間支配與被支配的關(guān)系，這種關(guān)系不是對等的，這種關(guān)系具有方向。確切的說，處于支配地位的成分稱之為支配者（governor，regent，head），而處于被支配地位的成分稱之為從屬者（modifier，subordinate，dependency）。

依存語法本身沒有規(guī)定要對依存關(guān)系進(jìn)行分類，但為了豐富依存結(jié)構(gòu)傳達(dá)的句法信息，在實(shí)際應(yīng)用中，一般會給依存樹的邊加上不同的標(biāo)記。

依存語法存在一個(gè)共同的基本假設(shè)：句法結(jié)構(gòu)本質(zhì)上包含詞和詞之間的依存（修飾）關(guān)系。一個(gè)依存關(guān)系連接兩個(gè)詞，分別是核心詞（head）和依存詞（dependent）。依存關(guān)系可以細(xì)分為不同的類型，表示兩個(gè)詞之間的具體句法關(guān)系。

04

常見方法

基于規(guī)則的方法:早期的基于依存語法的句法分析方法主要包括類似CYK的動(dòng)態(tài)規(guī)劃算法、基于約束滿足的方法和確定性分析策略等。

基于統(tǒng)計(jì)的方法：統(tǒng)計(jì)自然語言處理領(lǐng)域也涌現(xiàn)出了一大批優(yōu)秀的研究工作，包括生成式依存分析方法、判別式依存分析方法和確定性依存分析方法，這幾類方法是數(shù)據(jù)驅(qū)動(dòng)的統(tǒng)計(jì)依存分析中最為代表性的方法。

基于深度學(xué)習(xí)的方法：近年來，深度學(xué)習(xí)在句法分析課題上逐漸成為研究熱點(diǎn)，主要研究工作集中在特征表示方面。傳統(tǒng)方法的特征表示主要采用人工定義原子特征和特征組合，而深度學(xué)習(xí)則把原子特征(詞、詞性、類別標(biāo)簽)進(jìn)行向量化，在利用多層神經(jīng)元網(wǎng)絡(luò)提取特征。

05

依存分析器的性能評價(jià)

通常使用的指標(biāo)包括：無標(biāo)記依存正確率（unlabeled attachment score，UAS）、帶標(biāo)記依存正確率（labeled attachment score， LAS）、依存正確率（dependency accuracy，DA）、根正確率（root accuracy，RA）、完全匹配率（complete match，CM）等。這些指標(biāo)的具體意思如下：

無標(biāo)記依存正確率（UAS）：測試集中找到其正確支配詞的詞（包括沒有標(biāo)注支配詞的根結(jié)點(diǎn)）所占總詞數(shù)的百分比。

帶標(biāo)記依存正確率（LAS）：測試集中找到其正確支配詞的詞，并且依存關(guān)系類型也標(biāo)注正確的詞（包括沒有標(biāo)注支配詞的根結(jié)點(diǎn)）占總詞數(shù)的百分比。

依存正確率（DA）：測試集中找到正確支配詞非根結(jié)點(diǎn)詞占所有非根結(jié)點(diǎn)詞總數(shù)的百分比。

根正確率（RA）：有二種定義，一種是測試集中正確根結(jié)點(diǎn)的個(gè)數(shù)與句子個(gè)數(shù)的百分比。另一種是指測試集中找到正確根結(jié)點(diǎn)的句子數(shù)所占句子總數(shù)的百分比。

完全匹配率（CM）：測試集中無標(biāo)記依存結(jié)構(gòu)完全正確的句子占句子總數(shù)的百分比。

06

數(shù)據(jù)集

Penn Treebank：Penn Treebank 是一個(gè)項(xiàng)目的名稱，項(xiàng)目目的是對語料進(jìn)行標(biāo)注，標(biāo)注內(nèi)容包括詞性標(biāo)注以及句法分析。

SemEval-2016 Task 9 中文語義依存圖數(shù)據(jù)：http://ir.hit.edu.cn/2461.html

下載地址：

https://github.com/HIT-SCIR/SemEval-2016

CoNLL 經(jīng)常開放句法分析的學(xué)術(shù)評測，比如：

2018年的通用句法分析評測任務(wù)：

http://universaldependencies.org/conll18/

2009年多語言多語言的句法依存和語義角色聯(lián)合評測任務(wù)：http://ufal.mff.cuni.cz/conll2009-st/

2008年英語的依存句法-語義角色聯(lián)合評測任務(wù)：https://www.clips.uantwerpen.be/conll2008/

2007年多語言依存分析評測：https://www.clips.uantwerpen.be/conll2007/

07

工具推薦

1. StanfordCoreNLP

斯坦福大學(xué)開發(fā)的，提供依存句法分析功能。

Github 地址：

https://github.com/Lynten/stanford-corenlp

官網(wǎng)：

https://stanfordnlp.github.io/CoreNLP/

2. HanLP

HanLP 是一系列模型與算法組成的 NLP 工具包。提供了中文依存句法分析功能。

Github 地址：

https://github.com/hankcs/pyhanlp

官網(wǎng)：

http://hanlp.linrunsoft.com/

3. SpaCy

工業(yè)級的自然語言處理工具，遺憾的是目前不支持中文。

Gihub 地址：

https://github.com/explosion/spaCy

官網(wǎng)：

https://spacy.io/

4. FudanNLP

復(fù)旦大學(xué)自然語言處理實(shí)驗(yàn)室開發(fā)的中文自然語言處理工具包，包含信息檢索： 文本分類、新聞聚類；中文處理： 中文分詞、詞性標(biāo)注、實(shí)體名識別、關(guān)鍵詞抽取、依存句法分析、時(shí)間短語識別；結(jié)構(gòu)化學(xué)習(xí)： 在線學(xué)習(xí)、層次分類、聚類。

Github 地址：

https://github.com/FudanNLP/fnlp

代碼已上傳：

https://github.com/yuquanle/StudyForNLP/blob/master/NLPbasic/Dependency.ipynb

參考：

1.統(tǒng)計(jì)自然語言處理

2.中文信息處理報(bào)告-2016