Chapter7-9_Deep Learning for Dependency Parsing

本文为李弘毅老师【Deep Learning for Dependency Parsing】的课程笔记，课程视频youtube地址，点这里(需)。

下文中用到的图片均来自于李宏毅老师的PPT，若有侵权，必定删除。

文章索引：

上篇 - 7-8 Deep Learning for Constituency Parsing

下篇 - 7-10 Deep Learning for Question Answering (1/2)

总目录

1 什么是Dependency Parsing

上一节中，学习了Constituency Parsing，Constituency Parsing要讨论的是两个相邻的单词或是constituents之间能否构成一个新的constituent。而Dependency Parsing则是要讨论任意两个单词之间能否构成dependency，比如下图中下半部分的"book"和"flight"虽然不相邻，但是"book"的目标就是"flight"，所以两者之间构成了一个dependency。在这个dependency中，"book"是出发点，"flight"是箭头的终点，所以"book"被叫做head，“flight"被叫做"dependent”。

有关联的两个单词才可以构成一个dependency，单词和单词间的关系可参见下表。

我们最终的目的是把一个句子变成一个树结构的有向图。有向图的每个节点就是一个单词，每条边就是相连的两个节点之间的关系，比如下图就是把"I want to study a PhD"解析成了一个有向图。这里有两个规则，其一是所有的词都有一条指向它的边，没有边指向的词，我们会用一个额外的"ROOT"节点去指向它，“ROOT"是不需要箭头指向它的；其二是每个词都有唯一的路径可以回到"ROOT”。

2 模型结构

训练Dependency Parsing模型的方法，出乎意料地简单，它和训练Consitituency Parsing模型的方法非常相似。Consitituency Parsing就是输入一个span，然后有两个classifiers，一个判断这两个是不是consitituent，另一个判断这两个是何种consitituent。而Dependency Parsing则是输入两个单词，然后有两个classifiers，一个判断这两个单词是不是dependency，另一个判断dependency的relation是什么。

实际的操作中也是如此的，真的就是把需要比较的两个单词，都放进classifiers当中的跑一跑就可以了。但是这样会面临一个问题，就是如果产生矛盾的结果该怎么办？比如下图中，$w_1$指向了$w_2$，同时$w_3$也指向了$w_2$，但我们有一条规则是一个节点只能有一个箭头指向它，这样一来就矛盾了。

解决这个问题的办法很简单，就是把模型预测的概率记录下来，然后用最大生成树的演算法去找最优路径即可。

除此之外，也有Transition-based Approach，和Constituency Parsing中介绍过的Transition-based Approach大同小异，最有名的就是2016谷歌提出的SyntaxNet，这里就不细讲了。