筆記轉(zhuǎn)載于GitHub項目：https://github.com/NLP-LOVE/Introduction-NLP

12. 依存句法分析

語法分析(syntactic parsing )是自然語言處理中一個重要的任務(wù)，其目標(biāo)是分析句子的語法結(jié)構(gòu)并將其表示為容易理解的結(jié)構(gòu)(通常是樹形結(jié)構(gòu))。同時，語法分析也是所有工具性NLP任務(wù)中較為高級、較為復(fù)雜的一種任務(wù)。 通過掌握語法分析的原理、實現(xiàn)和應(yīng)用，我們將在NLP工程師之路上跨越一道分水嶺。 本章將會介紹短語結(jié)構(gòu)樹和依存句法樹兩種語法形式，并且著重介紹依存句法分析的原理和實現(xiàn)。

12.1 短語結(jié)構(gòu)樹

語言其實具備自頂而下的層級關(guān)系，固定數(shù)量的語法結(jié)構(gòu)能夠生成無數(shù)句子。比如，僅僅利用下列兩個語法規(guī)律，我們就能夠生成所有名詞短語。

• 名詞短語可以由名詞和名詞短語組成。
• 名詞短語還可以由名詞和名詞組成。

例如，“上海+浦東+機(jī)場+航站樓”，所以，漢語中大部分句子都可以通過這樣的語法來生成。

在語言學(xué)中，這樣的語法被稱為上下文無關(guān)文法，它由如下組件構(gòu)成:

• 終結(jié)符結(jié)合 Σ，比如漢語的一個詞表。
• 非終結(jié)符集合 V，比如“名詞短語”“動詞短語”等短語結(jié)構(gòu)組成的集合。V 中至少包含一個特殊的非終結(jié)符，即句子符或初始符，計作 S。
• 推到規(guī)則 R，即推到非終結(jié)符的一系列規(guī)則: V -> V U Σ。

基于上下文無關(guān)文法理論，我們可以從 S 出發(fā)，逐步推導(dǎo)非終結(jié)符。一個非終結(jié)符至少產(chǎn)生一個下級符號，如此一層一層地遞推下去，我們就得到了一棵語法樹。但在NLP中，我們稱其為短語結(jié)構(gòu)樹。也就是說，計算機(jī)科學(xué)中的術(shù)語“上下文無關(guān)文法”在語言學(xué)中被稱作“短語結(jié)構(gòu)語法”。

1. 短語結(jié)構(gòu)樹

   短語結(jié)構(gòu)語法描述了如何自頂而下的生成一個句子，反過來，句子也可以用短語結(jié)構(gòu)語法來遞歸的分解。層級結(jié)構(gòu)其實是一種樹形結(jié)構(gòu)，例如這句話“上海 浦東 開發(fā) 與 法制 建設(shè) 同步”，分解成如下圖的短語結(jié)構(gòu)樹:

   image

這樣的樹形結(jié)構(gòu)稱為短語結(jié)構(gòu)樹，相應(yīng)的語法稱為短語結(jié)構(gòu)語法*或上下文無關(guān)文法。至于樹中的字母下面開始介紹。

2. 賓州樹庫和中文樹庫

   語言學(xué)家制定短語結(jié)構(gòu)語法規(guī)范，將大量句子人工分解為樹形結(jié)構(gòu)，形成了一種語料庫，稱為樹庫( treebank )。常見的英文樹庫有賓州樹庫，相應(yīng)地，中文領(lǐng)域有CTB。上圖中葉子節(jié)點(詞語)的上級節(jié)點為詞性，詞性是非終結(jié)符的一種，滿足“詞性生成詞語”的推導(dǎo)規(guī)則。

   常見的標(biāo)記如下:

   標(biāo)記	釋義
   IP-HLN	單句-標(biāo)題
   NP-SBJ	名詞短語-主語
   NP-PN	名詞短語-代詞
   NP	名詞短語
   VP	動詞短語

   但是由于短語結(jié)構(gòu)語法比較復(fù)雜，相應(yīng)句法分析器的準(zhǔn)確率并不高，現(xiàn)在研究者絕大部分轉(zhuǎn)向了另一種語法形式。

12.2 依存句法樹

不同于短語結(jié)構(gòu)樹，依存句法樹并不關(guān)注如何生成句子這種宏大的命題。依存句法樹關(guān)注的是句子中詞語之間的語法聯(lián)系，并且將其約束為樹形結(jié)構(gòu)。

1. 依存句法理論

   依存語法理論認(rèn)為詞與詞之間存在主從關(guān)系，這是一種二元不等價的關(guān)系。在句子中，如果一個詞修飾另一個詞，則稱修飾詞為從屬詞( dependent )，被修飾的詞語稱為支配詞(head),兩者之間的語法關(guān)系稱為依存關(guān)系( dependency relation)。比如句子“大夢想”中形容詞“大”與名詞“夢想"之間的依存關(guān)系如圖所示:

   image

   圖中的箭頭方向由支配詞指向從屬詞，這是可視化時的習(xí)慣。將一個句子中所有詞語的依存關(guān)系以有向邊的形式表示出來，就會得到一棵樹，稱為依存句法樹( dependency parse tree)。比如句子“弱小的我也有大夢想”的依存句法樹如圖所示。

   image

現(xiàn)代依存語法中，語言學(xué)家 Robinson 對依存句法樹提了 4 個約束性的公理。

• 有且只有一個詞語(ROOT，虛擬根節(jié)點，簡稱虛根)不依存于其他詞語。
• 除此之外所有單詞必須依存于其他單詞。
• 每個單詞不能依存于多個單詞。
• 如果單詞 A 依存于 B，那么位置處于 A 和 B 之間的單詞 C 只能依存于 A、B 或 AB 之間的單詞。

這 4 條公理分別約束了依存句法樹(圖的特例)的根節(jié)點唯一性、 連通、無環(huán)和投射性( projective )。這些約束對語料庫的標(biāo)注以及依存句法分析器的設(shè)計奠定了基礎(chǔ)。

2. 中文依存句法樹庫

   目前最有名的開源自由的依存樹庫當(dāng)屬UD ( Universal Dependencies)，它以“署名-非商業(yè)性使用-相同方式共享4.0”等類似協(xié)議免費向公眾授權(quán)。UD是個跨語種的語法標(biāo)注項目，一共有 200 多名貢獻(xiàn)者為 70 多種語言標(biāo)注了 100 多個樹庫。具體到中文，存在4個不同領(lǐng)域的樹庫。本章選取其中規(guī)模最大的 UD_ Chinese GSD 作為示例。該樹庫的語種為繁體中文，將其轉(zhuǎn)換為簡體中文后，供大家下載使用。

   http://file.hankcs.com/corpus/chs-gsd-ud.zip

   該樹庫的格式為 CoNLL-U，這是一種以制表符分隔的表格格式。CoNLL-U 文件有10列，每行都是一個單詞， 空白行表示句子結(jié)束。單元中的下劃線 _ 表示空白， 結(jié)合其中一句樣例，解釋如表所示。

   image

詞性標(biāo)注集合依存關(guān)系標(biāo)注集請參考 UD 的官方網(wǎng)站:

http://niversaldependencies.org/guidelines.html

另一份著名的語料庫依然是 CTB，只不過需要額外利用一些工具將短語結(jié)構(gòu)樹轉(zhuǎn)換為依存句法樹。讀者可以直接下載轉(zhuǎn)換后的 CTB 依存句法樹庫，其格式是類似于 CoNLl-U 的 CoNLL。

3. 依存句法樹的可視化

   工具如下:

   • 南京大學(xué)湯光超開發(fā)的 Dependency Viewer。導(dǎo)入 .conll 擴(kuò)展名的樹庫文件即可。
   • brat 標(biāo)注工具。

   可視化工具可以幫助我們理解句法樹的結(jié)構(gòu)，比較句子之間的不同。

12.3 依存句法分析

依存句法分析( dependency parsing )指的是分析句子的依存語法的一種中高級 NLP任務(wù)，其輸人通常是詞語和詞性，輸出則是一棵依存句法樹。 本節(jié)介紹實現(xiàn)依存句法分析的兩種宏觀方法，以及依存句法分析的評價指標(biāo)。

1. 基于圖的依存句法分析

   正如樹是圖的特例一樣，依存句法樹其實是完全圖的一個子圖。如果為完全圖中的每條邊是否屬于句法樹的可能性打分，然后就可以利用 Prim 之類的算法找出最大生成樹( MST )作為依存句法樹了。這樣將整棵樹的分?jǐn)?shù)分解( factorize )為每條邊上的分?jǐn)?shù)之和，然后在圖上搜索最優(yōu)解的方法統(tǒng)稱為基于圖的算法。

   在傳統(tǒng)機(jī)器學(xué)習(xí)時代，基于圖的依存句法分析器往往面臨運行開銷大的問題。這是由于傳統(tǒng)機(jī)器學(xué)習(xí)所依賴的特征過于稀疏，訓(xùn)練算法需要在整個圖上進(jìn)行全局的結(jié)構(gòu)化預(yù)測等?？紤]到這些問題，另一種基于轉(zhuǎn)移的路線在傳統(tǒng)機(jī)器學(xué)習(xí)框架下顯得更加實用。

2. 基于轉(zhuǎn)移的依存句法分析

   我們以“人 吃 魚”這個句子為例子，手動構(gòu)建依存句法樹。

   • 從“吃”連線到“人”建立依存關(guān)系，主謂關(guān)系。
   • 從“吃”連線到“魚”建立依存關(guān)系，動賓關(guān)系。

   如此，我們將一棵依存句法樹的構(gòu)建過程表示為兩個動作。如果機(jī)器學(xué)習(xí)模型能夠根據(jù)句子的某些特征準(zhǔn)確地預(yù)測這些動作，那么計算機(jī)就能夠根據(jù)這些動作拼裝出正確的依存句法樹了。這種拼裝動作稱為轉(zhuǎn)移( transition),而這類算法統(tǒng)稱為基于轉(zhuǎn)移的依存句法分析。

12.4 基于轉(zhuǎn)移的依存句法分析

1. Arc-Eager 轉(zhuǎn)移系統(tǒng)

   一個轉(zhuǎn)移系統(tǒng) S 由 4 個部件構(gòu)成: S = (C,T,Cs,Ct)，其中:

   • C 是系統(tǒng)狀態(tài)的集合
   • T 是所有可執(zhí)行的轉(zhuǎn)移動作的集合。
   • Cs 是一個初始化函數(shù)
   • Ct 為一系列終止?fàn)顟B(tài)，系統(tǒng)進(jìn)入該狀態(tài)后即可停機(jī)輸出最終的動作序列。

   而系統(tǒng)狀態(tài)又由 3 元祖構(gòu)成: C = (σ,β,A) 其中:

   • σ 為一個存儲單詞的棧。
   • β 為存儲單詞的隊列
   • A 為已確定的依存弧的集合。

   Arc-Eager 轉(zhuǎn)移系統(tǒng)的轉(zhuǎn)移動作集合詳見下表:

   動作名稱	條件	解釋
   Shift	隊列 β 非空	將隊首單詞 i 壓棧
   LeftArc	棧頂單詞 i 沒有支配詞	將棧頂單詞 i 的支配詞設(shè)為隊首單詞 j，即 i 作為 j 的子節(jié)點
   RightArc	隊首單詞 j 沒有支配詞	將隊首單詞 j 的支配詞設(shè)為棧頂單詞 i，即 j 作為 i 的子節(jié)點
   Reduce	棧頂單詞 i 已有支配詞	將棧頂單詞 i 出棧

對于上面的“人 吃 魚”案例，Arc-Eager 的執(zhí)行步驟如下:

裝填編號	σ	轉(zhuǎn)移動作	β	A
0	[]	初始化	[人,吃,魚,虛根]	{}
1	[人]	Shift	[吃,魚,虛根]	{}
2	[]	LeftArc(主謂)	[吃,魚,虛根]
3	[吃]	Shift	[魚,虛根]
4	[吃,魚]	RightArc(動賓)	[虛根]
5	[吃]	Reduce	[虛根]
6	[]	LeftArc(核心)	[虛根]

此時集合 A 中的依存弧為一顆依存句法樹。

2. 訓(xùn)練原理

   對基于轉(zhuǎn)移的依存句法分析器而言，它學(xué)習(xí)和預(yù)測的對象是一系列轉(zhuǎn)移動作。然而依存句法樹庫是一棵樹，并不是現(xiàn)成的轉(zhuǎn)移動作序列。這時候就需要一個算法將語料庫中的依存句法樹轉(zhuǎn)移為正確地轉(zhuǎn)移動作序列。

   這里可以使用感知機(jī)進(jìn)行訓(xùn)練得到轉(zhuǎn)移動作序列，原理詳見:

   5. 感知機(jī)分類與序列標(biāo)注

   訓(xùn)練句法分析器時，結(jié)構(gòu)化感知機(jī)算法迭代式的優(yōu)化線性模型，目標(biāo)是使其將最高的分值賦予可抵達(dá)正確句法樹的轉(zhuǎn)移序列。

   訓(xùn)練分為以下幾個步驟:

   • 讀入一個訓(xùn)練樣本，提取特征，創(chuàng)建 ArcEager 的初始狀態(tài) c。
   • 若 c 不是終止?fàn)顟B(tài)，反復(fù)進(jìn)行轉(zhuǎn)移序列，修正參數(shù)。
   • 算法終止，返回返回模型參數(shù) w。

12.5 依存句法分析 API

1. 訓(xùn)練模型

   本節(jié)使用的語料庫是 CTB8.0，運行代碼的時候會自動下載語料庫: train_parser.py

   https://github.com/NLP-LOVE/Introduction-NLP/tree/master/code/ch12/train_parser.py

   訓(xùn)練時間比較長，結(jié)果如下:

   1 人 人 N NN _ 2 nsubj _ _
   2 吃 吃 V VV _ 0 ROOT _ _
   3 魚 魚 N NN _ 2 dobj _ _
   UAS=83.3% LAS=81.0%
   

2. 標(biāo)準(zhǔn)化評測

   給定兩棵樹，一棵樹為標(biāo)準(zhǔn)答案(來自測試集)，一棵樹為預(yù)測結(jié)果，評測的目標(biāo)是衡量這兩棵樹的差異。如果將樹的節(jié)點編號，拆解為依存弧并分別存入兩個集合 A ( 標(biāo)準(zhǔn)答案)和 B (預(yù)測結(jié)果)，則可以利用分類任務(wù)的 F1 評價指標(biāo)。

   依存句法分析任務(wù)采用的評測指標(biāo)為 UAS (unlabeled atachment score) 和 LAS (labeled attachment score )，分別對應(yīng)忽略標(biāo)簽和包括標(biāo)簽的 F1 值。以 LAS 為例，具體計算方式如下:
   
   UAS 的計算也是同理，只不過將每條依存弧上的標(biāo)簽去掉后放人集合參與運算即可。相較于 LAS, UAS 僅僅衡量支配詞的預(yù)測準(zhǔn)確率，不衡量依存關(guān)系的準(zhǔn)確率，一般分?jǐn)?shù)更高。

   在上面的訓(xùn)練模型中已經(jīng)做了評測

   UAS=83.3% LAS=81.0%
   

   這個分?jǐn)?shù)說明，在測試集上有 83% 的支配詞被準(zhǔn)確預(yù)測，有 81% 的依存弧被準(zhǔn)確預(yù)測。

12.6 案例: 基于依存句法分析的意見抽取

其實許多人都有一個疑問，依存句法分析究竟可以用來干什么。本節(jié)就來利用依存句法分析實現(xiàn)一個意見抽取的例子，提取下列商品評論中的屬性和買家評價。

電池非常棒，機(jī)身不長，長的是待機(jī)，但是屏幕分辨率不高。

為了提取“電池”“機(jī)身”“待機(jī)”和“分辨率”所對應(yīng)的意見，樸素的處理方式是在分司和詞性標(biāo)注之后編寫正則表達(dá)式，提取名詞后面的形容詞。然而正則表達(dá)式無法處理“長的是待機(jī)”這樣句式靈活的例子。

這時就可以對這句話進(jìn)行依存句法分析，分析代碼如下:

from pyhanlp import *

CoNLLSentence = JClass('com.hankcs.hanlp.corpus.dependency.CoNll.CoNLLSentence')
CoNLLWord = JClass('com.hankcs.hanlp.corpus.dependency.CoNll.CoNLLWord')
IDependencyParser = JClass('com.hankcs.hanlp.dependency.IDependencyParser')
KBeamArcEagerDependencyParser = JClass('com.hankcs.hanlp.dependency.perceptron.parser.KBeamArcEagerDependencyParser')

parser = KBeamArcEagerDependencyParser()
tree = parser.parse("電池非常棒，機(jī)身不長，長的是待機(jī)，但是屏幕分辨率不高。")
print(tree)

運行結(jié)果如下:

1   電池  電池  N   NN  _   3   nsubj   _   _
2   非常  非常  A   AD  _   3   advmod  _   _
3   棒   棒   V   VA  _   0   ROOT    _   _
4   ，   ，   P   PU  _   3   punct   _   _
5   機(jī)身  機(jī)身  N   NN  _   7   nsubj   _   _
6   不   不   A   AD  _   7   neg _   _
7   長   長   V   VA  _   3   conj    _   _
8   ，   ，   P   PU  _   7   punct   _   _
9   長   長   V   VA  _   11  top _   _
10  的   的   D   DEC _   9   cpm _   _
11  是   是   V   VC  _   7   conj    _   _
12  待機(jī)  待機(jī)  N   NN  _   11  attr    _   _
13  ，   ，   P   PU  _   3   punct   _   _
14  但是  但是  A   AD  _   18  advmod  _   _
15  屏幕  屏幕  N   NN  _   16  nn  _   _
16  分辨率 分辨率 N   NN  _   18  nsubj   _   _
17  不   不   A   AD  _   18  neg _   _
18  高   高   V   VA  _   3   conj    _   _
19  。   。   P   PU  _   3   punct   _   _

進(jìn)行可視化后:

image

仔細(xì)觀察，不難發(fā)現(xiàn)“電池”與“棒”、“機(jī)身”與“長”、“分辨率”與“高”之間的依存關(guān)系都是 nsubj (名詞性主語)。

1. 利用這一規(guī)律， 不難寫出第一版遍歷算法， 也就是用個for 循環(huán)去遍歷樹中的每個節(jié)點。對于算法遍歷樹中的每一個詞語， 如果其詞性為名詞且作為某個形容詞的名詞性主語，則認(rèn)為該名詞是屬性，而形容詞是意見。運行代碼如下:

   def extactOpinion1(tree):
       for word in tree.iterator():
           if word.POSTAG == "NN" and word.DEPREL == "nsubj":
               print("%s = %s" % (word.LEMMA, word.HEAD.LEMMA))
   
   print("第一版")
   extactOpinion1(tree)
   

   結(jié)果如下:

   第一版
   電池 = 棒
   機(jī)身 = 長
   分辨率 = 高
   

2. 雖然的確提取出了一些意見，然而后兩個都是錯誤的。這一版算法存在的問題之一是沒有考慮到“機(jī)身不長””“分辨率不高"等否定修飾關(guān)系。否定修飾關(guān)系在依存句法中的標(biāo)記為 neg，于是我們只需檢查形容詞是否存在否定修飾的支配詞即可。于是得出第二版算法:

   def extactOpinion2(tree):
       for word in tree.iterator():
           if word.POSTAG == "NN" and word.DEPREL == "nsubj":
               if tree.findChildren(word.HEAD, "neg").isEmpty():
                   print("%s = %s" % (word.LEMMA, word.HEAD.LEMMA))
               else:
                   print("%s = 不%s" % (word.LEMMA, word.HEAD.LEMMA))
   
   print("第二版")
   extactOpinion2(tree)
   

   結(jié)果如下:

   第二版
   電池 = 棒
   機(jī)身 = 不長
   分辨率 = 不高
   

3. 接下來思考如何提取“待機(jī)”的意見，“待機(jī)”與“長”之間的公共父節(jié)點為“是”，于是我們得到第三版算法如下:

   def extactOpinion3(tree):
       for word in tree.iterator():
           if word.POSTAG == "NN":
             
                # 檢測名詞詞語的依存弧是否是“屬性關(guān)系”，
               # 如果是，則尋找支配詞的子節(jié)點中的主題詞
               # 以該主題詞作為名詞的意見。
               if word.DEPREL == "nsubj":  # ①屬性
   
                   if tree.findChildren(word.HEAD, "neg").isEmpty():
                       print("%s = %s" % (word.LEMMA, word.HEAD.LEMMA))
                   else:
                       print("%s = 不%s" % (word.LEMMA, word.HEAD.LEMMA))
               elif word.DEPREL == "attr":
                   top = tree.findChildren(word.HEAD, "top")  # ②主題
   
                   if not top.isEmpty():
                       print("%s = %s" % (word.LEMMA, top.get(0).LEMMA))
   
   print("第三版")
   extactOpinion3(tree)
   

   結(jié)果如下:

   第三版
   電池 = 棒
   機(jī)身 = 不長
   待機(jī) = 長
   分辨率 = 不高
   

至此，4 個屬性被完整正確地提取出來了，讀者可以嘗試搜集更多的句子，通過分析句法結(jié)構(gòu)總結(jié)更多的提取規(guī)則。

12.7 GitHub

HanLP何晗--《自然語言處理入門》筆記：

https://github.com/NLP-LOVE/Introduction-NLP

項目持續(xù)更新中......

目錄