一、Transition-based的依存解析方法

解析過程：首先設計一系列action, 其就是有方向帶類型的邊，接著從左向右依次解析句子中的每一個詞，解析詞的同時通過選擇某一個action開始增量構建依存樹, 直到句子中的詞解析完．
優點：解析過程是線性的, operations步驟隨句子長度線性增長
挑戰：在解析的每一步都只是利用局部信息，會導致錯誤傳播，性能比graph-based效果略差

它的主要思路是先把一個句子變成句法樹，再變成dependency parser，這個方法有點舍近求遠，但它的效果不錯。它同樣會定義一些操作，即在一個序列上不斷做這些操作，直到結束，就能形成一棵樹。主要有以下三種操作：

這個模型就是在序列中，插左括號或右括號的非典型性序列打標問題，deep learning在里面起的作用是，每一個左括號和右括號封閉的token，把它們表達成一個更高級的含義。

二、Graph-based的依存解析方法

　解析過程：學習一個打分函數，針對一句話在所有可能的解析結果(解析的依存樹)中執行全局的窮舉搜索，得到一個打分最高的解析樹．
　優點：目前效果相比transition-based較好
　挑戰：搜索的過程速度很慢

　這個模型是把之前構建數的問題變成距離計算的問題。它本質做的事情是建立一個矩陣，行和列都是這個句子里的token，每兩個行列中的一個點表示a修飾b的概率或b修飾a的概率的一個得分，最后要形成樹，我們就是在這個距離向量中找一棵最小生成樹，生成出來的就是dependency parser。

?

轉載于:https://www.cnblogs.com/zeze/p/9752734.html

總結

以上是生活随笔為你收集整理的【神经网络】Dependency Parsing的两种解决方案的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。