依存句法分析器的简单实现

By hadoop小学生 at 2018-10-17 • 0人收藏 • 180人看过

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:http://hanlp.dksou.com/

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:


图1.JPG

@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

“我吃米饭”为例,先进行分词与词性标注,结果:

 图2.JPG

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:

 图10.jpg

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. /rr ##核心##/root : 核心成分 6.410175

5. /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. /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. /v ##核心##/root : 核心成分 1.7917595

8. /v 到 我/rr : 连接依存 96.688614 介词依存 107.67474 施事 107.67474

9. /v 到 米饭/n : 限定 24.849068

10. 米饭/n ##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:

图3.jpg

然后就是中规中矩的Prim算法:

 图4.jpg

得出最小生成树:

 图5.jpg

格式化输出

将其转为CoNLL格式输出:

 图6.jpg

可视化

使用可视化工具展现出来:

 

图7.jpg

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 casebad case——

图8.jpg

图9.jpg

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


登录后方可回帖

登 录
信息栏

Carbon Forum是一个基于话题的高性能轻型PHP论坛

下载地址:Carbon Forum v5.9.0
QQ群:12607708(QQ我不常上)

donate

手机支付宝扫描上方二维码可向本项目捐款

粤ICP备17135490号-1

Loading...