依存句法分析研究綜述

石翠

摘要：依存句法分析是對自然語言進(jìn)行自動分析構(gòu)建句子對應(yīng)的依存樹的一種方法，是自然語言處理重要的一部分，但目前依存句法分析的準(zhǔn)確率并不高。介紹了依存句法結(jié)構(gòu)并對依存句法的分析方法進(jìn)行了總結(jié)與綜述，介紹了基于規(guī)則的依存句法、基于統(tǒng)計的依存句法和規(guī)則與統(tǒng)計相結(jié)合的依存句法的分析方法。最后，分析了漢語依存句法分析的困難和優(yōu)勢。

關(guān)鍵詞：依存句法； 規(guī)則； 統(tǒng)計； 分析方法

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A文章編號：2095-2163（2013）06-0047-03

0引言

任何一種句法分析都是依賴于某種語法理論的。依存語法的含義是用詞與詞之間的依存關(guān)系來描述語言結(jié)構(gòu)。計算語言學(xué)家Robinson總結(jié)了依存語法的4條公理[1]：

（1）一個句子中只有一個獨立成分不依存于其他任何成分；

（2）句子的其他成分都必須依存于某一成分；

（3）任何一個成分都不能依存于兩個或兩個以上的其他成分；

（4）如果成分A直接依存于成分B，而成分C位于A和B之間，則C依存于A或者B，或者依存于A和B之間的某一成分。

為了直觀描述句子的形式模型，可根據(jù)句法模型將一個句子中各成分之間的關(guān)系顯式表達(dá)為某種句法結(jié)構(gòu)圖形式，以便于人對句子的理解以及機器的自動學(xué)習(xí)。圖1例示了一個句子的依存結(jié)構(gòu)，（a）為依存樹；（b）為有向圖；（c）為依存投影樹。

1依存句法分析方法

依存句法分析是針對給定的句子序列應(yīng)用某一依存語法體系對自然語言進(jìn)行自動分析構(gòu)建句子對應(yīng)的依存樹的一種方法。一般來說，句法分析方法可分為基于規(guī)則的分析方法、基于統(tǒng)計的分析方法以及統(tǒng)計與規(guī)則相結(jié)合的方法。

1.1基于規(guī)則的依存句法分析方法

基于規(guī)則方法的基本思路是由人工組織語法規(guī)則，建立語法知識庫，通過條件約束和檢查來實現(xiàn)句法結(jié)構(gòu)歧義的消除[2]。

1.1.1基于泰尼埃理論的依存句法分析

泰尼埃的句法理論本質(zhì)上是一種基于虛圖式的句法分析理論和實圖式的分析表示體系。該理論認(rèn)為任何句子都可以納入句子的虛式圖中，分析的過程即是將句子納入句子圖式的過程，而此過程的進(jìn)行，必須通過轉(zhuǎn)用。因此，可以說泰尼埃的依存句法分析理論以轉(zhuǎn)用操作為代表。

Giguet[3]等人構(gòu)建了泰尼埃式法語依存句法分析器，但在具體實現(xiàn)過程中，該系統(tǒng)結(jié)合了組塊分析和依存分析方法，先進(jìn)行一種被稱作非遞歸短語（nr-短語）成分的識別，然后在此基礎(chǔ)上進(jìn)行組塊的連接，其中后一個過程通過使用連接規(guī)則而最終實現(xiàn)。該分析器采用了不同技術(shù)分層構(gòu)建的原則，降低了依存關(guān)系選擇時的復(fù)雜度，提高了分析器的效率。

Tapanainen和Jarvinen構(gòu)建了一種非投影的依存句法分析器，實現(xiàn)了泰尼埃理論。此分析器中共有約2 500條規(guī)則，并提出了功能依存語法（Functionality Dependency Grammar， FDG）的理論框架，展示了依存語法形式化體系的普遍性和描寫能力[4]。

1.1.2基于上下文無關(guān)文法的依存句法分析

上下文無關(guān)文法的依存句法分析是一種類似于短語結(jié)構(gòu)句法分析的方法，將詞與詞之間的依存關(guān)系看作成分結(jié)構(gòu)（Constituent structure）來進(jìn)行分析。Hays將依存規(guī)則定義為“一種有關(guān)句法單位價的描述”，由一個支配成分和有限數(shù)量的從屬成分構(gòu)成[5]。以依存規(guī)則為基礎(chǔ)，提出了句子語法合格性的判定過程，被稱為決策過程（a decision procedure）。此決策過程即為Cocke-Younger-Kasami（CYK）算法中的Cocke的過程。

Lombardo和Lesmo對Early算法進(jìn)行改進(jìn)，構(gòu)建了依存句法分析器，在效率上取得很大優(yōu)勢。該方法對“預(yù)測”（predictive）部分進(jìn)行了預(yù)處理，通過將其編譯為句法分析表的方法來優(yōu)化識別效率。依存規(guī)則轉(zhuǎn)化為句法分析表的過程需要兩個步驟，一是將規(guī)則轉(zhuǎn)化為轉(zhuǎn)移圖，二是將圖映射到句法分析表中[6]。

1.1.3基于約束的依存分析方法

該方法是以約束依存文法（constraint dependency grammar，CDG）為基礎(chǔ)，針對依存語法沒有嚴(yán)格的形式化描述而提出，并已成為目前依存句法分析技術(shù)研究和實現(xiàn)中眾家關(guān)注的方法之一。這是一種以語法為驅(qū)動的分析方法，但區(qū)別于生成語法中的重寫規(guī)則，而采用消去法來分析句子結(jié)構(gòu)。其分析過程是采用約束滿足問題來進(jìn)行描述的有限構(gòu)造問題[7]。主要分為三步：

（1）采用約束依存語法，建立約束集合；

（2）根據(jù)已規(guī)定好的約束對不滿足約束的分析進(jìn)行剪枝；

（3）判斷是否存在不確定性問題，更新約束集合，重復(fù)（2）直到構(gòu)建一棵完整的合法的依存樹。

由德國漢堡大學(xué)的Menzel等人提出的“加權(quán)約束依存語法”（Weighted constraint dependency grammars， WCDG）[8]是對CDG方法的擴展，引入了加權(quán)約束機制。系統(tǒng)中的所有規(guī)則都按照一定的優(yōu)先級測度來排序，以對語法規(guī)則的重要性進(jìn)行衡量。

1.2基于統(tǒng)計的依存句法分析方法

由于大規(guī)模語料庫的構(gòu)建，目前依存分析方法中以統(tǒng)計分析方法為主流。統(tǒng)計的方法利用統(tǒng)計學(xué)的原理，從語料庫中獲取分析過程所需的知識。統(tǒng)計方法基于以下假設(shè)：語料庫是唯一的信息源，所有的知識（除統(tǒng)計模型的構(gòu)造方法外）均可從中獲得；語言知識在統(tǒng)計意義上得到解釋，所有參量可通過統(tǒng)計或訓(xùn)練從語料庫中自動獲取[9]。

Eisner提出三個依存句法分析的詞匯化概率模型，同時采取自底向上的CYK算法[10]，同時引入了加權(quán)雙詞匯化語法（weighted bilexical grammar）。加權(quán)雙詞匯化語法中的語法規(guī)則由限定一詞擴展為限定兩個詞，基于此的概率句法分析器的主要工作即是估計詞w被詞p所修飾的概率。

Yamada 等人[11]提出一個基于移進(jìn)-歸約（Shift-reduce）算法的決策式分析模型。該方法從左至右遍歷句子過程中構(gòu)建依存樹，模型使用三種動作：移進(jìn)（Shift）、左?。↙eft）和右弧（Right）。建樹的過程即是判斷當(dāng)前，節(jié)點對應(yīng)該采用哪種動作的過程，因此可將其看作分類問題，采用支持向量機的方法解決該分類問題。該模型不但擴展了依存分析方法，也形成了一種更加簡單易行的依存分析方法。

投射句可采用自底向上的Eisner動態(tài)規(guī)劃算法[10]。而對于非投射句，則采用如圖2所示的Chu-Liu-Edmonds算法[12]。

① 保留每個節(jié)點中權(quán)數(shù)最高的入邊，形成圖GM=（V， M）；

② 如果GM中存在環(huán)，將GM中的環(huán)看做一個節(jié)點，重新計算每條邊的權(quán)值，形成新圖GC，轉(zhuǎn)到①；

③ 否則，返回GM；

④ 刪除環(huán)內(nèi)多余的邊。

輸出：生成的由圖和環(huán)內(nèi)的邊組成的最優(yōu)有向圖

1.3統(tǒng)計與規(guī)則相結(jié)合的依存句法分析方法

基于規(guī)則的分析方法需人工編寫語法規(guī)則，以此構(gòu)建語法知識庫，通過條件約束等實現(xiàn)句法分析中的結(jié)構(gòu)消歧。大量的語言學(xué)家認(rèn)為規(guī)則可以涵蓋絕大多數(shù)的自然語言現(xiàn)象，但通過實踐表明，這種規(guī)則的構(gòu)建過程是非常困難的。因此，目前的句法分析系統(tǒng)大多在以下幾個方面進(jìn)行權(quán)衡折衷：

（1）更多地關(guān)注淺層句法分析。當(dāng)前的許多問題只利用淺層句法信息就可以解決，因此完全句法分析則被放棄，而是轉(zhuǎn)向各種淺層句法分析，其中最具代表性的就是組塊分析、最長名詞短語識別；

（2）從已有的語料中自動提取概率模型，利用此模型來最大化待處理結(jié)構(gòu)的相似性。這是一種有效的方法，但依賴大量的語料，生成的模型也難于理解；

（3）針對特定問題，結(jié)合統(tǒng)計與規(guī)則方法的優(yōu)勢。

2結(jié)束語

從目前的依存句法分析研究成果來看，漢語的依存分析沒有得到很好的發(fā)展，與英語等印歐語言相比滯后很多。迄今為止，漢語的依存句法分析在開放集上的最好結(jié)果UA指標(biāo)不到85%，而且沒有大規(guī)模的漢語依存樹庫、由此而造成漢語分析困難的原因主要有如下幾個方面：

（1）漢語屬于少數(shù)孤立語語言中的一種，同一詞可以擔(dān)任多種句法成分而沒有形態(tài)的變化，短語擔(dān)任不同句法成分時也無形態(tài)變化，這種無形態(tài)的變化將給排歧造成極大的困難；

（2）漢語存在普遍的遞歸性，復(fù)合名詞、動詞短語多；

（3）漢語的語法作用通過虛詞和詞序來表達(dá)，虛詞在句中沒有實際的意義，常常被省略掉；而漢語的詞序又相當(dāng)靈活；

（4）漢語的語法功能類型較多；

（5）漢語的標(biāo)點符號帶有比英語標(biāo)點符號更多的信息。

雖然漢語與英語相比在句法分析上存在上述困難，但在另一方面漢語也有一些自身的優(yōu)勢。漢語自身的優(yōu)勢有：

（1）漢語的詞雖然沒有形態(tài)變化，但如果漢語詞的詞性或語義角色確定了，就會受到與其他語言相比更強的語法約束，比如在漢語中只有動詞和介詞擁有右從屬者；

（2）一些漢語語塊具有明顯的邊界標(biāo)志，如介詞短語“在……里”；

（3）漢語的偏正修飾語只能在中心詞之前，沒有后置定語，也沒有定語從句，不需要分析從句引導(dǎo)詞的從屬問題。

現(xiàn)在亟待解決的問題是構(gòu)建大規(guī)模的語料庫，尋找漢語自身的規(guī)律，提高句法分析的精度。

參考文獻(xiàn)：

[1]ROBINSON J. Dependency structures and transformational rules[J]. Language，1970， 46（2）：259-285.

[2]GIGUET E， VERGNE J. Syntactic analysis of unrestricted French[C] //Proceedings for the the International Conference on Recent Advances in Natural Languages Processing （RANLP`97）， 1997： 276-281.

[3]TAPANAINEN P， JARVINEN T. A non-projective dependency parser [C]// Proceedings of the 5th Conference on Applied Natural Language Processing， 1997： 64-71.

[4]HAYS D. Dependency theory： a formalism and some observatoins[J] . Language， 1964： 511-525.

[5]LOMBARDO V， LESMO L. An early-type recognizer for dependency grammar[C]//Proc. COLING， 1996： 723-728.

[6]MARUYAMA H. Structural disambiguation with constraint propagation[C]// ACL-90， 1990：31-38.

[7]MENZEL W， SCHRODER I， KOTH K， et al. Modeling dependency grammar with restricted constraints[J]. Traitement Automatique des Languages， 2002，41（1）：113-144.

[8]周強. 基于語料庫和面向統(tǒng)計學(xué)的自然語言處理技術(shù)介紹[J]. 計算機科學(xué)，1995，22（4）：36-40.

[9]TAPANAINEN P， JARVINEN T. A non-projective dependency parser[C]// Proceedings of the 5th Conference on Applied Natural Language Processing， 1997： 64-71.

[10]AMUELSSON C. A statistical theory of dependency syntax[C]//COLING， 2000： 684-690.

[11]CRAMMER K， SINGER Y. Ultraconservative online algorithms for multiclass problem[J]. Journal of Machine Learning Research， 2003，1（3）：951-991.

[12]CARRERAS X. Experiments with a high-order projective dependency parser[C]// EMNLP-CoNLL2007， 2007：957-961.