依存句法分析总结

1. 基本概念

依存句法分析（Dependency Parsing，DP）通过分析语言单位内成分之间的依存关系，揭示其句法结构。直观来讲，就是分析句子中的“主谓宾”、“定状补”这些语法成分，并分析各成分的关系。对句法结构进行分析，一方面是语言理解的自身需求，句法分析是语言理解的基础，另外一方面，句法分析也为其他自然语言处理任务提供支持。比如：句法驱动的统计机器翻译需要对源语言或目标语言进行句法分析。

1.1 谓词

依存句法认为“谓词”中的动词是一个句子的核心，其他成分与动词直接或者间接的产生联系。

1.2 依存理论

依存理论中，“依存”指的是词与词之间处于支配与被支配的关系，这种关系具有方向性。处于支配地位的词称之为支配者（head），处于被支配地位的成分称之为从属者（dependency）。

依存语法存在一个基本假设，句法分析核心是词与词的依存关系，一个依存关系连接两个词：head和dependency。依存关系可以细分为不同类型，表示具体的两个词的依存关系。

1.3 依存关系

2. 基本方法

• 基于转移的方法

  基于转移的方法通过shift-reduce两个基本动作，将序列转为树结构。首先用一个 buffer 来存储所有未处理的输入句子，并用一个栈来存储当前的分析状态。动作可以分为：

  1. shift，即将 buffer 中的一个词移到栈中；
  2. $left\_arc(x)$，即栈顶两个词 a,b 为 a<-b 的依赖关系，关系种类为 x；
  3. $right\_arc(x)$，即栈顶两个词 a,b 为 a->b 的依赖关系，关系种类为 x。后两种动作为 reduce 动作。

  目前，基于转移的方法最好模型是stack lstm。 通过三个 LSTM 来分别建模栈状态、待输入序列和动作序列。 其中因为栈需要入栈和出栈，因此作者提出了一个 Stack LSTM 来建模栈状态。

论文地址： https://arxiv.org/pdf/1505.08075.pdf

• 基于图的方法

  目前的依存句法分析中，最流行的方法是基于图的方法经典的方法是 Biaffine 模型。直接用神经网络来预测每两个词之间存在依存关系的概率，这样我们就得到一个全连接图，图上每个边代表了节点 a 指向节点 b 的概率。然后使用MST等方法来来将图转换为一棵树。

  Biaffine 模型其实和我们目前全连接自注意力模型非常类似。Biaffine 模型十分简单，并且容易理解，并且在很多数据集上都取得了目前最好的结果。

论文地址：https://arxiv.org/pdf/1611.01734.pdf

• 联合模型(深度学习)

  1. 词性标注&句法分析

     联合词性标注和句法分析的模型有很多，可以是基于转移的方法，也可以是基于图的方法，这里介绍一个简单思路。首先利用lstm来预测词性，然后联合词性信息和词信息一起用另外一个lstm来建模，并用Biaffine模型来做句法分析。

论文地址： https://arxiv.org/pdf/1807.03955.pdf

2. 中文分词&句法分析

   中文的句法分析是基于词级别的，所以在句法分析之前，会做分词。为了避免流水线模式的错误积累，很容易想到的就是分词和词法分析联合建模。

   这里主要介绍一下邱希鹏教授实验室提出的模型：joint CWS。

其中两个关键点：

• biaffine parsing
• ‘app’ 作为特殊的依赖关系

其实方法很简单，只需要将词内部的字之间加上一个特殊的依赖关系“app”，然后将词级别的依存关系转换为字级别的依存关系。并且用 biaffine 模型来进行同时预测。

论文地址：https://arxiv.org/pdf/1904.04697.pdf

3. 常用工具

https://www.jianshu.com/p/867bd48cd9ad

3.1 LTP

1. 安装

   pip install pyltp
   1

2. 下载数据包

   ltp_data_v3.4.0： 链接: https://pan.baidu.com/s/1aDrb95ylZHoTPKJY6K1Slw 密码: ehe2

3. 测试代码

   from pyltp import Parser, Postagger, Segmentor
   
   text = 'HanLP是一系列模型与算法组成的自然语言处理工具包，目标是普及自然语言处理在生产环境中的应用。'
   
   # 分词
   segmentor = Segmentor()
   segmentor.load("/home/sunshine/datasets/other/ltp_data_v3.4.0/cws.model")
   tokens = segmentor.segment(text)
   
   # 词性
   postagger = Postagger()
   postagger.load('/home/sunshine/datasets/other/ltp_data_v3.4.0/pos.model')
   postags = postagger.postag(tokens)
   
   # 依存句法分析
   parser = Parser()
   parser.load('/home/sunshine/datasets/other/ltp_data_v3.4.0/parser.model')
   arcs = parser.parse(tokens, postags)
   
   i = 1
   result = zip(tokens, postags, arcs)
   for item in result:
       print(i, item[0], item[1], item[2].head, item[2].relation)
       i += 1
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10
   11
   12
   13
   14
   15
   16
   17
   18
   19
   20
   21
   22
   23
   24

   1 HanLP ws 2 SBV
   2 是 v 0 HED
   3 一 m 4 ATT
   4 系列 q 5 ATT
   5 模型 n 8 SBV
   6 与 c 7 LAD
   7 算法 n 5 COO
   8 组成 v 12 ATT
   9 的 u 8 RAD
   10 自然 n 11 ATT
   11 语言 n 12 SBV
   12 处理 v 2 VOB
   13 工具包 n 12 VOB
   14 ， wp 2 WP
   15 目标 n 16 SBV
   16 是 v 2 COO
   17 普及 v 16 VOB
   18 自然 n 19 ATT
   19 语言 n 20 ATT
   20 处理 v 17 VOB
   21 在 p 26 ATT
   22 生产 v 23 ATT
   23 环境 n 24 ATT
   24 中 nd 21 POB
   25 的 u 21 RAD
   26 应用 v 20 VOB
   27 。 wp 2 WP
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10
   11
   12
   13
   14
   15
   16
   17
   18
   19
   20
   21
   22
   23
   24
   25
   26
   27

3.2 stanfordNLP

3.2.1 StanordCoreNLP

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

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

1. 安装

   pip install stanfordcorenlp
   1

2. 安装java环境（略）

3. 下载数据包

   链接: https://pan.baidu.com/s/1kD3gaxVwvxZGaEN3EDedvA 提取码: m72n

   数据包下载之后，解压stanford-corenlp-full-2018-02-27.zip，将stanford-chinese-corenlp-2018-02-27-models.jar拷贝至stanford-corenlp-full-2018-02-27.zip解压目录。

4. 测试代码

   from stanfordcorenlp import StanfordCoreNLP
   text = 'HanLP是一系列模型与算法组成的自然语言处理工具包，目标是普及自然语言处理在生产环境中的应用。'
   nlp = StanfordCoreNLP("/home/sunshine/datasets/other/standfordCoreNLP/stanford-corenlp-full-2018-02-27", lang='zh')
   tokens = nlp.word_tokenize(text)
   postags = nlp.pos_tag(text)
   result = nlp.dependency_parse(text)
   i = 1
   for item in zip(tokens, postags, result):
       print(i, item[0], item[1][1], item[2][1], item[2][2])
       i += 1
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10

   1 HanLP NR 0 12
   2 是 VC 12 1
   3 一 CD 12 2
   4 系列 M 11 3
   5 模型 NN 3 4
   6 与 CC 7 5
   7 算法 NN 7 6
   8 组成 VV 8 7
   9 的 DEC 11 8
   10 自然 NN 8 9
   11 语言 NN 11 10
   12 处理 VV 12 11
   13 工具包 NN 12 13
   14 ， PU 12 14
   15 目标 NN 17 15
   16 是 VC 17 16
   17 普及 VV 12 17
   18 自然 NN 19 18
   19 语言 NN 17 19
   20 处理 VV 17 20
   21 在 P 23 21
   22 生产 NN 23 22
   23 环境 NN 26 23
   24 中 LC 23 24
   25 的 DEG 23 25
   26 应用 NN 20 26
   27 。 PU 12 27
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10
   11
   12
   13
   14
   15
   16
   17
   18
   19
   20
   21
   22
   23
   24
   25
   26
   27

5. 依存句法解释

   > > ROOT：要处理文本的语句
   > > IP：简单从句
   > > NP：名词短语
   > > VP：动词短语
   > > PU：断句符，通常是句号、问号、感叹号等标点符号
   > > LCP：方位词短语
   > > PP：介词短语
   > > CP：由‘的’构成的表示修饰性关系的短语
   > > DNP：由‘的’构成的表示所属关系的短语
   > > ADVP：副词短语
   > > ADJP：形容词短语
   > > DP：限定词短语
   > > QP：量词短语
   > > NN：常用名词
   > > NR：固有名词
   > > NT：时间名词
   > > PN：代词
   > > VV：动词
   > > VC：是
   > > CC：表示连词
   > > VE：有
   > > VA：表语形容词
   > > AS：内容标记（如：了）
   > > VRD：动补复合词
   > > CD: 表示基数词
   > > DT: determiner 表示限定词
   > > EX: existential there 存在句
   > > FW: foreign word 外来词
   > > IN: preposition or conjunction, subordinating 介词或从属连词
   > > JJ: adjective or numeral, ordinal 形容词或序数词
   > > JJR: adjective, comparative 形容词比较级
   > > JJS: adjective, superlative 形容词最高级
   > > LS: list item marker 列表标识
   > > MD: modal auxiliary 情态助动词
   > > PDT: pre-determiner 前位限定词
   > > POS: genitive marker 所有格标记
   > > PRP: pronoun, personal 人称代词
   > > RB: adverb 副词
   > > RBR: adverb, comparative 副词比较级
   > > RBS: adverb, superlative 副词最高级
   > > RP: particle 小品词
   > > SYM: symbol 符号
   > > TO:”to” as preposition or infinitive marker 作为介词或不定式标记
   > > WDT: WH-determiner WH限定词
   > > WP: WH-pronoun WH代词
   > > WP$: WH-pronoun, possessive WH所有格代词
   > > WRB:Wh-adverb WH副词
   > > 
   > > 关系表示
   > > abbrev: abbreviation modifier，缩写
   > > acomp: adjectival complement，形容词的补充；
   > > advcl : adverbial clause modifier，状语从句修饰词
   > > advmod: adverbial modifier状语
   > > agent: agent，代理，一般有by的时候会出现这个
   > > amod: adjectival modifier形容词
   > > appos: appositional modifier,同位词
   > > attr: attributive，属性
   > > aux: auxiliary，非主要动词和助词，如BE,HAVE SHOULD/COULD等到
   > > auxpass: passive auxiliary 被动词
   > > cc: coordination，并列关系，一般取第一个词
   > > ccomp: clausal complement从句补充
   > > complm: complementizer，引导从句的词好重聚中的主要动词
   > > conj : conjunct，连接两个并列的词。
   > > cop: copula。系动词（如be,seem,appear等），（命题主词与谓词间的）连系
   > > csubj : clausal subject，从主关系
   > > csubjpass: clausal passive subject 主从被动关系
   > > dep: dependent依赖关系
   > > det: determiner决定词，如冠词等
   > > dobj : direct object直接宾语
   > > expl: expletive，主要是抓取there
   > > infmod: infinitival modifier，动词不定式
   > > iobj : indirect object，非直接宾语，也就是所以的间接宾语；
   > > mark: marker，主要出现在有“that” or “whether”“because”, “when”,
   > > mwe: multi-word expression，多个词的表示
   > > neg: negation modifier否定词
   > > nn: noun compound modifier名词组合形式
   > > npadvmod: noun phrase as adverbial modifier名词作状语
   > > nsubj : nominal subject，名词主语
   > > nsubjpass: passive nominal subject，被动的名词主语
   > > num: numeric modifier，数值修饰
   > > number: element of compound number，组合数字
   > > parataxis: parataxis: parataxis，并列关系
   > > partmod: participial modifier动词形式的修饰
   > > pcomp: prepositional complement，介词补充
   > > pobj : object of a preposition，介词的宾语
   > > poss: possession modifier，所有形式，所有格，所属
   > > possessive: possessive modifier，这个表示所有者和那个’S的关系
   > > preconj : preconjunct，常常是出现在 “either”, “both”, “neither”的情况下
   > > predet: predeterminer，前缀决定，常常是表示所有
   > > prep: prepositional modifier
   > > prepc: prepositional clausal modifier
   > > prt: phrasal verb particle，动词短语
   > > punct: punctuation，这个很少见，但是保留下来了，结果当中不会出现这个
   > > purpcl : purpose clause modifier，目的从句
   > > quantmod: quantifier phrase modifier，数量短语
   > > rcmod: relative clause modifier相关关系
   > > ref : referent，指示物，指代
   > > rel : relative
   > > root: root，最重要的词，从它开始，根节点
   > > tmod: temporal modifier
   > > xcomp: open clausal complement
   > > xsubj : controlling subject 掌控者
   > > 中心语为谓词
   > > subj — 主语
   > > nsubj — 名词性主语（nominal subject） （同步，建设）
   > > top — 主题（topic） （是，建筑）
   > > npsubj — 被动型主语（nominal passive subject），专指由“被”引导的被动句中的主语，一般是谓词语义上的受事 （称作，镍）
   > > csubj — 从句主语（clausal subject），中文不存在
   > > xsubj — x主语，一般是一个主语下面含多个从句 （完善，有些）
   > > 中心语为谓词或介词
   > > obj — 宾语
   > > dobj — 直接宾语 （颁布，文件）
   > > iobj — 间接宾语（indirect object），基本不存在
   > > range — 间接宾语为数量词，又称为与格 （成交，元）
   > > pobj — 介词宾语 （根据，要求）
   > > lobj — 时间介词 （来，近年）
   > > 中心语为谓词
   > > comp — 补语
   > > ccomp — 从句补语，一般由两个动词构成，中心语引导后一个动词所在的从句(IP) （出现，纳入）
   > > xcomp — x从句补语（xclausal complement），不存在
   > > acomp — 形容词补语（adjectival complement）
   > > tcomp — 时间补语（temporal complement） （遇到，以前）
   > > lccomp — 位置补语（localizer complement） （占，以上）
   > > — 结果补语（resultative complement）
   > > 中心语为名词
   > > mod — 修饰语（modifier）
   > > pass — 被动修饰（passive）
   > > tmod — 时间修饰（temporal modifier）
   > > rcmod — 关系从句修饰（relative clause modifier） （问题，遇到）
   > > numod — 数量修饰（numeric modifier） （规定，若干）
   > > ornmod — 序数修饰（numeric modifier）
   > > clf — 类别修饰（classifier modifier） （文件，件）
   > > nmod — 复合名词修饰（noun compound modifier） （浦东，上海）
   > > amod — 形容词修饰（adjetive modifier） （情况，新）
   > > advmod — 副词修饰（adverbial modifier） （做到，基本）
   > > vmod — 动词修饰（verb modifier，participle modifier）
   > > prnmod — 插入词修饰（parenthetical modifier）
   > > neg — 不定修饰（negative modifier） (遇到，不)
   > > det — 限定词修饰（determiner modifier） （活动，这些）
   > > possm — 所属标记（possessive marker），NP
   > > poss — 所属修饰（possessive modifier），NP
   > > dvpm — DVP标记（dvp marker），DVP （简单，的）
   > > dvpmod — DVP修饰（dvp modifier），DVP （采取，简单）
   > > assm — 关联标记（associative marker），DNP （开发，的）
   > > assmod — 关联修饰（associative modifier），NP|QP （教训，特区）
   > > prep — 介词修饰（prepositional modifier） NP|VP|IP（采取，对）
   > > clmod — 从句修饰（clause modifier） （因为，开始）
   > > plmod — 介词性地点修饰（prepositional localizer modifier） （在，上）
   > > asp — 时态标词（aspect marker） （做到，了）
   > > partmod– 分词修饰（participial modifier） 不存在
   > > etc — 等关系（etc） （办法，等）
   > > 中心语为实词
   > > conj — 联合(conjunct)
   > > cop — 系动(copula) 双指助动词？？？？
   > > cc — 连接(coordination)，指中心词与连词 （开发，与）
   > > 其它
   > > attr — 属性关系 （是，工程）
   > > cordmod– 并列联合动词（coordinated verb compound） （颁布，实行）
   > > mmod — 情态动词（modal verb） （得到，能）
   > > ba — 把字关系
   > > tclaus — 时间从句 （以后，积累）
   > > — semantic dependent
   > > cpm — 补语化成分（complementizer），一般指“的”引导的CP （振兴，的）
   > > ```
   > ```
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10
   11
   12
   13
   14
   15
   16
   17
   18
   19
   20
   21
   22
   23
   24
   25
   26
   27
   28
   29
   30
   31
   32
   33
   34
   35
   36
   37
   38
   39
   40
   41
   42
   43
   44
   45
   46
   47
   48
   49
   50
   51
   52
   53
   54
   55
   56
   57
   58
   59
   60
   61
   62
   63
   64
   65
   66
   67
   68
   69
   70
   71
   72
   73
   74
   75
   76
   77
   78
   79
   80
   81
   82
   83
   84
   85
   86
   87
   88
   89
   90
   91
   92
   93
   94
   95
   96
   97
   98
   99
   100
   101
   102
   103
   104
   105
   106
   107
   108
   109
   110
   111
   112
   113
   114
   115
   116
   117
   118
   119
   120
   121
   122
   123
   124
   125
   126
   127
   128
   129
   130
   131
   132
   133
   134
   135
   136
   137
   138
   139
   140
   141
   142
   143
   144
   145
   146
   147
   148
   149
   150
   151
   152
   153
   154
   155
   156
   157
   158
   159
   160
   161
   162
   163
   164
   165

3.2.2 stanza

github: https://github.com/stanfordnlp/stanza

stanza同样是stanford发布的版本。

1. 安装

   pip install stanza
   1

2. 下载模型

   import stanza
   stanza.download('zh') 
   1
   2

   我这里提供一份中文的模型包供大家下载。

   链接: https://pan.baidu.com/s/1hb9ATqpOGC9sHBHZ2hNdeg 提取码: fqdm

3. 测试代码

   import stanza
   nlp = stanza.Pipeline('zh') # This sets up a default neural pipeline in English
   doc = nlp("HanLP是一系列模型与算法组成的自然语言处理工具包，目标是普及自然语言处理在生产环境中的应用。")
   doc.sentences[0].print_dependencies()
   1
   2
   3
   4

   ('HanLP', '14', 'nsubj')
   ('是', '14', 'cop')
   ('一', '4', 'nummod')
   ('系列', '5', 'clf')
   ('模型', '8', 'nsubj')
   ('与', '7', 'cc')
   ('算法', '5', 'conj')
   ('组成', '14', 'acl:relcl')
   ('的', '8', 'mark:relcl')
   ('自然', '12', 'nmod')
   ('语言', '12', 'compound')
   ('处', '13', 'nmod')
   ('理工', '14', 'nsubj')
   ('具包', '0', 'root')
   ('，', '14', 'punct')
   ('目标', '17', 'nsubj')
   ('是', '14', 'parataxis')
   ('普及', '17', 'xcomp')
   ('自然', '20', 'nmod')
   ('语言', '21', 'nsubj')
   ('处理', '18', 'ccomp')
   ('在', '27', 'det')
   ('生产', '24', 'nmod')
   ('环境', '22', 'nmod')
   ('中', '24', 'acl')
   ('的', '22', 'case:dec')
   ('应用', '18', 'obj')
   ('。', '14', 'punct')
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10
   11
   12
   13
   14
   15
   16
   17
   18
   19
   20
   21
   22
   23
   24
   25
   26
   27
   28

3.3 HaNLP

官网：http://hanlp.linrunsoft.com/

在线演示：http://hanlp.com/

3.3.1 pyhanlp(hanlp1.x)

Github地址：https://github.com/hankcs/pyhanlp

1. 安装

   pip install pyhanlp
   1

2. 下载数据包

   data：链接: https://pan.baidu.com/s/169Fgb6vhfsx10O2xEomY1Q 提取码: r4zv

   将下载的数据包解压至%python_lib%/site-packages/pyhanlp/static文件夹。我这里提供的是1.7.5版本，同样支持1.7.7版本的pyhanlp。

   默认会自动下载相关的jar包。

3. 测试代码

   from pyhanlp import HanLP
       print(HanLP.parseDependency("HanLP是一系列模型与算法组成的自然语言处理工具包，目标是普及自然语言处理在生产环境中的应用"))
   1
   2

   1	HanLP	HanLP	ws	nx	_	2	主谓关系	_	_
   2	是	是	v	v	_	0	核心关系	_	_
   3	一系列	一系列	n	n	_	4	定中关系	_	_
   4	模型	模型	n	n	_	7	主谓关系	_	_
   5	与	与	p	p	_	7	状中结构	_	_
   6	算法	算法	n	n	_	5	介宾关系	_	_
   7	组成	组成	v	v	_	10	定中关系	_	_
   8	的	的	u	u	_	7	右附加关系	_	_
   9	自然语言处理	自然语言处理	nz	nz	_	10	定中关系	_	_
   10	工具包	工具包	n	n	_	2	动宾关系	_	_
   11	，	，	wp	w	_	2	标点符号	_	_
   12	目标	目标	n	n	_	13	主谓关系	_	_
   13	是	是	v	v	_	2	并列关系	_	_
   14	普及	普及	v	v	_	13	动宾关系	_	_
   15	自然语言处理	自然语言处理	nz	nz	_	19	主谓关系	_	_
   16	在	在	p	p	_	19	状中结构	_	_
   17	生产环境	生产环境	n	n	_	16	介宾关系	_	_
   18	中的	中的	v	v	_	19	状中结构	_	_
   19	应用	应用	v	vn	_	14	动宾关系	_	_
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10
   11
   12
   13
   14
   15
   16
   17
   18
   19

3.3.2 hanlp2.0

1. 安装

   pip install hanlp
   1

   hanlp2.0是基于tensorflow2.1训练的网络模型，线上提供了很多训练好的预训练模型，问题在于基本上不可能自动下载成功，需要手动下载模型并存放到相应的位置。

2. 查看已经提供的模型

   import hanlp
   for k,v in hanlp.pretrained.ALL.items():
       print(k, v)
   1
   2
   3

3. 测试代码

   tokenizer = hanlp.load('CTB6_CONVSEG')
   tagger = hanlp.load('CTB5_POS_RNN')
   syntactic_parser = hanlp.load('CTB7_BIAFFINE_DEP_ZH')
   
   pipeline = hanlp.pipeline() \
   .append(hanlp.utils.rules.split_sentence, output_key='sentences') \
   .append(tokenizer, output_key='tokens') \
   .append(tagger, output_key='part_of_speech_tags') \
   .append(syntactic_parser, input_key=('tokens', 'part_of_speech_tags'), output_key='syntactic_dependencies',
           conll=False)
   
   text = 'HanLP是一系列模型与算法组成的自然语言处理工具包，目标是普及自然语言处理在生产环境中的应用'
   
   doc = pipeline(text)
   tokens = doc.tokens[0]
   pos = doc.part_of_speech_tags[0]
   dependencies = doc.syntactic_dependencies[0]
   
   for i in range(len(tokens)):
       print(i, tokens[i], pos[i], dependencies[i][0], dependencies[i][1])
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10
   11
   12
   13
   14
   15
   16
   17
   18
   19
   20

   0 HanLP NN 2 top
   1 是 VC 0 root
   2 一系列 NN 6 nn
   3 模型 NN 6 conj
   4 与 CC 6 cc
   5 算法 NN 7 nsubj
   6 组成 VV 10 rcmod
   7 的 DEC 7 cpm
   8 自然 NN 10 nn
   9 语言 NN 11 nsubj
   10 处理 VV 2 ccomp
   11 工具包 PU 11 punct
   12 ， PU 2 punct
   13 目标 NN 15 top
   14 是 VC 2 conj
   15 普及 VV 15 ccomp
   16 自然 NN 18 nn
   17 语言 NN 16 dobj
   18 处理 VV 16 conj
   19 在 P 25 assmod
   20 生产 NN 22 nn
   21 环境 NN 23 lobj
   22 中 LC 20 plmod
   23 的 DEG 20 assm
   24 应用 NN 19 dobj
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10
   11
   12
   13
   14
   15
   16
   17
   18
   19
   20
   21
   22
   23
   24
   25

4. 数据集

• Penn Treebank

  Penn Treebank是一个项目的名称，项目目的是对语料进行标注，标注内容包括词性标注以及句法分析。

• SemEval-2016 Task 9

  中文语义依存图数据：http://ir.hit.edu.cn/2461.html

  下载地址：https://github.com/HIT-SCIR/SemEval-2016

• evsam05

  链接: https://pan.baidu.com/s/1cFQBNcd-HnuTPUlGT7h9wg 提取码: tjdx

• CoNLL任务

  • http://universaldependencies.org/conll18/
  • http://ufal.mff.cuni.cz/conll2009-st/
  • https://www.clips.uantwerpen.be/conll2008/
  • https://www.clips.uantwerpen.be/conll2007/

5. 可视化工具

1. conllu.js

   https://github.com/spyysalo/conllu.js

2. DependencyViewer.exe

   http://nlp.nju.edu.cn/tanggc/tools/DependencyViewer.html

参考：

https://mp.weixin.qq.com/s/AP4TCnRfIccqAxDu4FlBew