依存句法分析器的简单实现

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：

图片：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
依存句法分析4标注
以“我吃米饭”为例，先进行分词与词性标注，结果：

图片：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：

图片：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.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：

图片：图3.jpg

然后就是中规中矩的Prim算法：

图片：图4.jpg

得出最小生成树：


格式化输出
将其转为CoNLL格式输出：

图片：图6.jpg

可视化
使用可视化工具展现出来：

图片：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 case与bad case——

图片：图8.jpg

图片：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。