树库介绍_依存树库

转载于码农场

本文旨在介绍CoNLL格式的中文依存语料库（汉语依存树库）、CoNLL格式相关工具，以及提供两个公开的中文依存语料库下载。

最近做完了分词、词性标注、命名实体识别、关键词提取、自动摘要、拼音、简繁转换、文本推荐，感觉HanLP初具雏形。现在希望拿下依存句法分析，这样我就做出了史上第一个个人开发的功能最全面的自然语言处理基础工具库了。

树库的类型

谈到依存语料库，还是少不了介绍一下树库的类型。根据所描述结构的不同 ,  树库大体上可以分为两类 :  短语结构树库和依存结构树库 。 

短语结构树库

短语结构树库一般采用句子的结构成分描述句子的结构。在照抄定义之前，我更乐意给你看一张图作为例子：

上图左边是可嵌套的语言规则与实例，右侧是它们的树状结构，更多理论。短语结构树包含了规则与依存双重信息，硬要说的话，叶子节点的词性也可算作第三种信息。

短语结构树顾名思义，可以同来提取短语，比如NP-名词短语等等。

短语结构树库的目的是分析句子的产生过程，这是特别深刻的命题。

依存结构树库

依存结构树库是根据句子的依存结构而建立的树库。依存结构描述的是句子中词与词之间直接的句法关系,相应的树结构也称为依存树。比如哈尔滨工业大学汉语依存树库中的一个例子：

这棵树看起来有些凌乱了，事实上，它可以投射(projective)为正常的线性句子“与上年同期相比,海上油田的年产能力增加了五十万吨”。又比如：

更多理论请阅读宗成庆：《自然语言理解》讲义，第 9 章。

依存结构树库的目的并不是探讨“句子如何产生”这样宏伟的命题，而是研究“已产生的句子”内部的依存关系。

我认为依存结构树库最大的好处就是简单，从语料库的制作到解析，再到句法器的构建及性能都更容易把握。下文也仅介绍依存结构树库语料的下载以及编辑工具（好吧，事实上，我一介草民也只能弄到一点依存结构树库语料而已）。

依存语料库下载

第二届自然语言处理与中文计算会议（NLP&CC 2013）的技术评测样例中提供了一部分中文树库语料下载——

下载地址：http://tcci.ccf.org.cn/conference/2013/dldoc/evsam05.zip 

主页：http://tcci.ccf.org.cn/conference/2013/pages/page04_sam.html

内部包含了清华和哈工大提供的训练集和开发集，该会议到了第三届就不提供树库语料了，只有一些新闻分类和情感极性的语料，真遗憾。

依存树库的CoNLL格式

这些树库语料都是CoNLL格式的，CoNLL格式的语料以.conll结尾。

CONLL标注格式包含10列，分别为：

   ———————————————————————————

   ID FORM LEMMA CPOSTAG POSTAG FEATS HEAD DEPREL PHEAD PDEPREL

———————————————————————————

   本次评测只用到前８列，其含义分别为：

   1 ID 当前词在句子中的序号，１开始.

   2 FORM 当前词语或标点  

   3 LEMMA 当前词语（或标点）的原型或词干，在中文中，此列与FORM相同

   4 CPOSTAG 当前词语的词性（粗粒度）

   5 POSTAG 当前词语的词性（细粒度）

   6 FEATS 句法特征，在本次评测中，此列未被使用，全部以下划线代替。

   7 HEAD 当前词语的中心词

   8 DEPREL 当前词语与中心词的依存关系

   在CONLL格式中，每个词语占一行，无值列用下划线'_'代替，列的分隔符为制表符'\t'，行的分隔符为换行符'\n'；句子与句子之间用空行分隔。

还是举个例子说明——

哈尔滨工业大学依存语料库

对应图形

树形图：

清华大学语义依存网络语料

树形图：

两个树库的比较

哈尔滨工业大学依存语料库使用比较非主流的词性和依存标记，阅读起来稍有困难。

 
 
Statistic for file: 依存分析训练数据\HIT\train.conll
 
Sentence count: 8301
Word count: 250311
PosTag count: 35
	AD	21636
	AS	1919
	BA	450
	CC	2928
	CD	7219
	CS	566
	DEC	6768
	DEG	6471
	DER	195
	DEV	385
	DT	2615
	ETC	589
	FW	26
	IJ	10
	JJ	5882
	LB	150
	LC	4043
	M	6222
	MSP	759
	NN	63913
	NN-SHORT	1
	NR	12420
	NT	3242
	NT-SHORT	19
	OD	725
	P	8223
	PN	4029
	PU	33162
	SB	267
	SP	324
	VA	4486
	VC	3178
	VE	1885
	VV	37297
	X	6
Dependency label count: 122
	accompaniment	249
	agent	9375
	angle	119
	aspect	2040
	aux-depend	29256
	basis	150
	beneficiary	82
	c-agent	118
	cause	230
	causer	232
	c-basis	2
	c-content	24
	comment	435
	concerning	14
	content	11519
	contrast	614
	cost	27
	c-patient	16
	d-attribute	5086
	d-category	1391
	d-content	1087
	d-deno	2842
	d-deno-p	979
	d-domain	1168
	degree	3917
	d-genetive	8249
	d-host	1261
	direction	286
	distance	4
	d-LocPhrase312
	d-material	58
	d-member	1469
	d-quantity	6692
	d-quantity-p	3457
	d-restrictive	14089
	d-sequence	195
	d-sequence-p	241
	d-TimePhrase600
	duration	1365
	emphasis	2381
	existent	627
	experiencer	5181
	frequency	608
	instrument	118
	isa	3727
	j-agent	335
	j-content	249
	j-existent	15
	j-experiencer	253
	j-instrument	3
	j-isa	1
	j-location	16
	j-means	3
	j-partner	1
	j-patient	528
	j-possession	26
	j-possessor	12
	j-relevant	24
	location	2783
LocationFin779
LocationIni216
LocationThru79
	manner	5406
	material	50
	means	293
	modal	3009
	negation	2315
OfPart217
	partner	634
	patient	7374
	possession	1993
	possessor	1772
	prep-depend	9045
	PU	33159
	qp-mod	17
	r-agent	1090
	r-basis	10
	r-causer	9
	r-content	628
	relevant	3638
	r-existent	100
	r-experiencer	460
	r-instrument	29
	r-location	81
	r-means	8
	ROOT	7917
	r-partner	1
	r-patient	660
	r-possession	80
	r-possessor	139
	r-relevant	161
	r-state	1
	r-whole	24
	s-abandonment	38
	s-besides	184
	s-cause	745
	s-concerning	8
	s-concession	735
	s-condition	426
	s-coordinate	12087
	scope	2093
	sequence	673
	sequence-p	111
	s-measure	152
	s-or201
	s-preference	35
	s-progression	218
	s-purpose	248
	s-recount	53
	s-result	1
	s-succession	6383
	s-summary	195
	state	1245
StateFin192
StateIni245
	succeeding	1827
	time	3043
TimeAdv2618
TimeFin136
TimeIni319
	times	22
	whole	242
Average sentence length: 30.1543
Average dependency length: 4.8009

所幸HIT的主页上留了一个说明文档（该文档针对的是最新的树库，并非上述树库，只可作为参考）——

(1)词性标注说明：

    词性标注采用863的标注体系，以下是其符号的解释，

a 形容词

b 区别词

c 连词

d 副词

e 叹词

g 语素字

h 前接成分

i 习用语

j 简称

k 后接成分

m 数词

n 名词

nd 方位名词

nh 人名

ni 团体、机构、组织的专名

nl 处所名词

ns 地名

nt 时间名词

nz 其它专名

o 拟声词

p 介词

q 量词

r 代词

u 助词

v 动词

wp 标点

ws 字符串

x 非语素字

(2)依存关系标注说明：

本标注规范共有依存关系类型24种：

定中关系ATT（attribute）

数量关系QUN（quantity）

并列关系COO（coordinate）

同位关系APP（appositive）

前附加关系LAD（left adjunct）

后附加关系RAD（right adjunct）

动宾关系VOB（verb-object）

介宾关系POB（preposition-object）

主谓关系SBV（subject-verb）

比拟关系SIM（similarity）

核心HED（head）

连谓结构VV（verb-verb）

关联结构CNJ（conjunctive）

语态结构MT（mood-tense）

独立结构IS（independent structure）

状中结构ADV（adverbial）

动补结构CMP（complement）

“的”字结构DE

“地”字结构DI

“得”字结构DEI

“把”字结构BA

“被”字结构BEI

独立分句IC（independent clause）

依存分句DC（dependent clause）

清华大学语义依存网络语料采用全中文描述，且词性我都认识。

Statistic for file: 依存分析训练数据\THU\train.conll.fixed.txt

Sentence count: 20001

Word count: 165541

PosTag count: 22

a 5867

b 2923

c 4590

d 8995

f 2676

h 10

k 205

m 8556

M 1

n 43817

o 17

p 8274

q 2118

r 5837

R 2

s 666

t 3600

u 13973

v 33263

x 36

y 5

z 109

Dependency label count: 69

..是..的依存 441

“的”字依存 11091

伴随 56

比较量 37

比较内容 8

并列 97

部分 110

材料 22

参照体 262

程度 3616

除了 2

处所 2036

触及部件 6

存现体 589

代价 28

递进 7

动量 245

范围 757

方式 3205

方位词依存 2284

方向 150

根据 102

工具 66

关联词依存 1855

关系主体 2184

核心成分 15354

后延时段 50

接续 182

结果 287

结果事件 738

介词依存 7788

进程时段 351

经验者 2028

来源 102

类指 719

连接依存 8531

领有者 1

描述 3368

描写体 1188

目标 1337

目的 425

内容 3746

频率 288

评论 4477

起始时间 186

趋向动词依存 535

让步 7

施事 7430

时间 2401

时距 133

时态依存 3283

时态语态依存 199

事件过程 12

手段 78

受事 6153

数量 5627

条件 114

通过处所 38

同位语 942

限定 36014

相伴体 775

语气依存 91

原处所 198

原因 284

原状态 96

整体 180

终处所 388

终止时间 76

终状态 84

Average sentence length: 8.2766

Average dependency length: 2.0258

清华的树库量非常足，足足有2万句，哈工大的才8千。于是我愉快地决定使用清华的树库做了HanLP的训练语料。

编辑和可视化工具

你一定很好奇我上面的图是从哪里来的，南京大学开发了一个叫Dependency Viewer的工具，非常好用。

下一步准备实现一些常见的句法分析算法。