[资料]

依存句法分析器的简单实现

2018-10-17 13:12:16 2576 自然语言处理

0 生成式句法分析指的是，生成一系列依存句法树，从它们中用特定算法挑出概率最大那一棵。句法分析中，生成模型的构建主要使用三类信息：词性信息、词汇信息和结构信息。前二类很好理解，而结构信息需要特殊语法标记，不做考虑。本文主要利用了词汇+词性生成联合概率模型，使用最大生成树Prim算法搜索最终结果，得到了一个简单的汉语依存句法分析器。开源项目本文代码已集成到HanLP中开源：(hanlp网站自己搜索一下吧，论坛不让发链接) 基本思路统计词语WordA与词语WordB构成依存关系DrC的频次，词语WordA与词性TagB构成依存关系DrD的频次，词性TagA与词语WordB构成依存关系DrE的频次，词性TagA与词词性TagB构成依存关系DrF的频次。为句子中词语i与词语j生成多条依存句法边，其权值为上述四种频次的综合（主要利用词-词频次，其余的作平滑处理用）。取边的权值最大的作为唯一的边，加入有向图中。在有向图上使用Prim最大生成树算法，计算出最大生成树，格式化输出。模型训练简单地统计一下清华大学语义依存网络语料，得到如下结果： @符号连接起两个词汇或词性，用<>括起来的表示词性，否则是词汇。如果@后面没有内容，则表示频次，否则表示一些依存关系与其出现的频次。依存句法分析分词标注以“我吃米饭”为例，先进行分词与词性标注，结果：生成有向图由于依存句法树中有虚根的存在，所以为其加入一个虚节点，这样一共有四个节点：每个节点都与另外三个构成一条有向边，一共4 * 3 = 12 条： 1. ##核心##/root 到我/rr : 未知 10000.0 2. ##核心##/root 到吃/v : 未知 10000.0 3. ##核心##/root 到米饭/n : 未知 10000.0 4. 我/rr 到 ##核心##/root : 核心成分 6.410175 5. 我/rr 到吃/v : 施事 21.061098 经验者 28.54827 目标 33.656525 受事 37.021248 限定 43.307335 相伴体 48.00737 关系主体 53.115623 内容 53.115623 来源 64.101746 6. 我/rr 到米饭/n : 限定 22.2052 施事 48.00737 受事 57.170277 目标 57.170277 经验者 64.101746 连接依存 64.101746 7. 吃/v 到 ##核心##/root : 核心成分 1.7917595 8. 吃/v 到我/rr : 连接依存 96.688614 介词依存 107.67474 施事 107.67474 9. 吃/v 到米饭/n : 限定 24.849068 10. 米饭/n 到 ##核心##/root : 核心成分 37.077995 11. 米饭/n 到我/rr : 连接依存 113.2556 12. 米饭/n 到吃/v : 受事 0.6931472 其中“未知”表示边不存在，“受事”“施事”表示依存关系，后面的小数表示权值。我对概率取了负对数，所以接下来用加法求最小生成树即可。最小生成树关于最小生成树的Prim算法请参考《最小生成树算法初步》，这里必须有所改动，由于虚根有且只能有一个孩子，所以虚根必须单独计算：然后就是中规中矩的Prim算法：得出最小生成树：格式化输出将其转为CoNLL格式输出：可视化使用可视化工具展现出来：结果评测我没有进行严格的测试，这只是一个玩具级别的汉语依存句法分析器。先来看几个good case与bad case—— 效果比较马虎，为何这么说，这是因为分词的训练语料和句法分析语料不同，且我自知此方法严重依赖词汇共现，主要是这种二元词汇生成模型无法充分利用上下文。短一点的搜索语句可能还是有微量的利用价值。 TODO 应当采用判别式模型，导入SVM或最大熵作为权值的计算工具，然后使用最大生成树算法获取全局最优解。文章转载自hankcs 的博客 0
淘帖0 显示全部楼层相关推荐 • 图形音频分析器的资料分享 756 • 创建一个简单的RF分析器 850 • 怎么利用LPC2134实现多道脉冲幅度分析器的设计？ 746 • OmniBER OTN 2.5 Gb/s通信性能分析器 877 • B4620A软件分析器工具集 1194 • 基于CRF序列标注的中文依存句法分析器的Java实现 1554 • hanlp汉语自然语言处理入门基础知识介绍 2535 • pyhanlp两种依存句法分类器 2972 • 在Python中调用Java扩展包HanLP测试记录 2410 • CCS中性能分析器profile的使用？ 3441