【神经网络】Dependency Parsing的两种解决方案

1、Transition-based的依存解析方法

解析过程：首先设计一系列action, 其就是有方向带类型的边，接着从左向右依次解析句子中的每个词，解析词的同时经过选择某一个action开始增量构建依存树, 直到句子中的词解析完．
优势：解析过程是线性的, operations步骤随句子长度线性增加
挑战：在解析的每一步都只是利用局部信息，会致使错误传播，性能比graph-based效果略差

它的主要思路是先把一个句子变成句法树，再变成dependency parser，这个方法有点舍近求远，但它的效果不错。它一样会定义一些操做，即在一个序列上不断作这些操做，直到结束，就能造成一棵树。主要有如下三种操做：

这个模型就是在序列中，插左括号或右括号的非典型性序列打标问题，deep learning在里面起的做用是，每个左括号和右括号封闭的token，把它们表达成一个更高级的含义。

2、Graph-based的依存解析方法

　解析过程：学习一个打分函数，针对一句话在全部可能的解析结果(解析的依存树)中执行全局的穷举搜索，获得一个打分最高的解析树．
　优势：目前效果相比transition-based较好
　挑战：搜索的过程速度很慢

　这个模型是把以前构建数的问题变成距离计算的问题。它本质作的事情是创建一个矩阵，行和列都是这个句子里的token，每两个行列中的一个点表示a修饰b的几率或b修饰a的几率的一个得分，最后要造成树，咱们就是在这个距离向量中找一棵最小生成树，生成出来的就是dependency parser。