【神經網絡】Dependency Parsing的兩種解決方案

1、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，接着從左向右依次解析句子中的每個詞，解析詞的同時經過選擇某一個action開始增量構建依存樹, 直到句子中的詞解析完．
優勢：解析過程是線性的, operations步驟隨句子長度線性增加
挑戰：在解析的每一步都只是利用局部信息，會致使錯誤傳播，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，這個方法有點捨近求遠，但它的效果不錯。它一樣會定義一些操做，即在一個序列上不斷作這些操做，直到結束，就能造成一棵樹。主要有如下三種操做：

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在裏面起的做用是，每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。

2、Graph-based的依存解析方法

　解析過程：學習一個打分函數，針對一句話在全部可能的解析結果(解析的依存樹)中執行全局的窮舉搜索，獲得一個打分最高的解析樹．
　優勢：目前效果相比transition-based較好
　挑戰：搜索的過程速度很慢

　這個模型是把以前構建數的問題變成距離計算的問題。它本質作的事情是創建一個矩陣，行和列都是這個句子裏的token，每兩個行列中的一個點表示a修飾b的機率或b修飾a的機率的一個得分，最後要造成樹，咱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。