自然语言处理任务中，有很重要的一块，就是分析语言的结构。对于句法结构（syntactic structure）分析，主要有两种方式
- 组成分析（Constituency parsing）
- 依赖分析（Dependency parsing）
前者主要关心的是句子是怎么构成的，词怎么组成短语。所以研究Constituency，主要 是研究忽略语义的“ 语法” 结构（content-free grammars） 。
后者，依赖关系，则主要关心的是句子中的每一个词， 都依赖于哪个其他的词。
1.Constituency parsing
constituency parsing主要用phrase structure grammer即短语语法不断将词语整理成嵌套的组成成分，又被称为context-tree grammers 。其主要步骤是先对每个词做词性分析part of speech, 简称POS，然后再将其组成短语，再将短语不断递归构成更大的短语。
例：the cuddly cat by the door.
句子 | the | cuddly | cat | by | the | door |
POS分析 | Det 限定词 determiner
| Adj 形容词 | N 名词 | P 介词preposition | Det 限定词 (determiner
| N （名词） |
组成短语 | NP 名词短语 Noun Phrase Det+Adj+N |
| NP，名词短语 | |||
PP介词短语 Preposition pharse P+NP | ||||||
合并短语 | NP+PP | |||||
下图是使用allennlp组成分析可视化工具得到的，与上面的表格中的分析一致（只不过他还分析了标点符号）
2.dependency parsing
依赖关系，则主要关心的是句子中的每一个词， 都依赖于哪个其他的词。 比如下面这个句子：
“瞧这个可爱的小傻瓜！”
- “傻瓜”，是“瞧” 这个动作的对象，因此“傻瓜”是依赖于“瞧”的；
- “可爱的”、“小” 都是修饰“傻瓜”的，因此，这两个形容词都是依赖于“ 傻瓜” 的；
- “这个”同样是指示“傻瓜”的，因此它也依赖于“傻瓜” 。
这样，我们就清楚了这个句子中的所有依赖关系，画成依赖关系图则是这样：
注意，在图中我们增加了一个根节点“Root”，这是为了让“瞧”这个字也有依赖的对 象。
当然，关系依存分析，还有很多的规则，里面比较复杂，我不太感兴趣，所以这里不多写 了。
下面我们来介绍如何让机器自动地帮我们来分析句子的结构。
2.1 传统的基于转移的依存分析（Transition-based parsing）
这里主要介绍Nivre在2003年提出的“Greedy Deterministic Transition-based Parsing”方法，一度成为依存分析的标准方法。这里我简单地介绍一下它的工作原理。
我们构造一个三元组，分别是Stack、Buffer和一个Dependency Set。
- Stack最开始只存放一个Root节点；
- Buffer则装有我们需要解析的一个句子；
- Set中则保存我们分析出来的依赖关系， 最开始是空的。
我们要做的事情，就是不断地把Buffer中的词往Stack中推，跟Stack中的词判断是否有依 赖关系，有的话则输出到Set中，直到Buffer中的词全部推出，Stack中也仅剩一个 Root，就分析完毕了。
下面，我通过一个十分简单的例子，来演示这个过程。这次，我们分析的句子是：
分析过程如下：
第二行：stack中为[root,i]，不构成依赖关系，采取的action是shift，即将buffer中的首个词推进stack中。
第三行：stack中为[root,i,love]，构成依赖关系:love指向I,左指关系，采取的action是left arc，即把被依赖词I移除stack,将依赖关系放入dependency set中。
第四行：stack中为[root,love]，不构成依赖关系，采取的action是shift，即将buffer中的首个词（WUHAN）推进stack中。
第五行：stack中为[root,love,wuhan]，构成依赖关系:love指向wuhan,右指关系，采取的action是right arc，即把被依赖词wuhan移除stack,将依赖关系放入dependency set中。
第六步：stack中为[root,love]，buffer中为空，构成依赖关系:root指向love,右指关系采取的action是right arc，将依赖关系放入dependency set中
第七步：stack中只剩下root，分析结束
以上的过程，应该不难理解，但是相信大家此时一定会有疑问：
❝ 我怎么让机器去决定当前的Action呢？即机器怎么知道，Stack中是否构成了依赖关 系？
❞
在Nivre的年代，这里使用是机器学习的方法， 需要做繁重的特征工程.这里的特征，往往 有个二值特征，即无数个指示条件作为特征，来训练模型，可以想象这么高纬度的 特征是十分稀疏的。因此，这种模型的95%左右的解析时间，都花费在计算特征上。这也 是传统方法的最要问题。
2.1 神经依存分析（Neural dependency parsing）
神经依存分析方法，是斯坦福团队2014年的研究成果，主要就是利用了神经网络的方法代 替了传统机器学习方法、用低维分布式表示来代替传统方法的复杂的高维稀疏特征表示。而 整个解析的过程，依然是根据之前的Transition-based方法。
首先明确，我们的预测任务，是「根据当前的状态，即Stack、Buffer、Set的当前状态，来构建特征，然后预测出下一步的动作」。
在神经依存分析中，我们的特征是怎么构建的呢？我们可以利用的信息包括词（word）、词性（postag）和依赖关系的标签（label）。我们对这三者，都进行低维分布式表示，即通过Embedding的方法，把离散的word、label、tag都转化成低维向量表示。
对于一个状态，我们可以选取stack、Buffer、set中的某些词和关系，构成一个集合，然 后把他们所有的embedding向量都拼接起来，这样就构成了该状态的特征表示。在经过若干非线性隐藏层，最后加入softmax layer得到每个class的概率。
至于选择哪些词、关系，这个就是一个「经验性」的东西了，在斯坦福的论文中可以详细了 解。整个模型的网络结构也十分简洁：
评估
不同于一般的分类任务，对依存分析模型的评估有两个metric
- LAS（labeled attachment score）即只有arc的箭头方向以及语法关系均正确时才算正确，
- UAS（unlabeled attachment score）即只要arc的箭头方向正确即可。
如下图所示：箭头方向正确的有1,2，4,5；而箭头与语法都真正确的只有1,2
对于Dependency Parsing的简单介绍就到此为止。依存分析，并不是我们NLP中最常见 的任务之一，我们也很少看到直接将依存分析做应用的，我们更常见的是分类、实体识别、 阅读理解、对话等任务。但是依存分析，作为自然语言处理的一项基础技术，试图让机器去 理解语言的内部结构，理解了结构，NLU（Natural Language Understanding）才成为可能。
