课程概要

1、句法结构：成分句法、依存句法
2、依存语法
3、 Transition-based依存句法分析
4、神经网络的依存句法分析

一、句法结构：成分句法、依存句法

参考斯坦福大学-自然语言处理入门 笔记 第十三课 统计语言句法分析（prasing）

二、依存语法

参考斯坦福大学-自然语言处理入门 笔记 第十六课 依存句法分析（Dependency Parsing）第一节

三、Transition-based依存句法分析

参考斯坦福大学-自然语言处理入门 笔记 第十六课 依存句法分析（Dependency Parsing）第二节

四、神经网络的依存句法分析

• 为什么我们要在这个领域引入神经网络？
  因为在Transition-based依存句法分析中，我们面临一些问题：特征稀疏，很多特征只出现很少几次，导致我们会花费95%的时间在特征计算上。所以我们希望使用一个更稠密的，更可比的特征表示。
• 从实践的结果来看，这样模型的效果也是很好的（Chen and Manning 2014，为下图红色的部分）
  
• 分布的表征
  我们使用了d维的稠密向量来代表每一个单词，相似的单词会有更近的向量。同时词性和依存关系也用稠密的向量来表示，向量之间更近的距离也表示语义上的一些相近。比如NNS（名词复数）接近于NN（名词单数）
  基于他们在buffer（存储区）和stack（栈）的位置来抽取token，将他们转换成为向量表征，并合并起来。
  
• 模型结构
  一层输入是连接一起来的向量，一层隐层，一层输出。损失函数是交叉熵。
  
• 关于**函数的介绍：下面有几种常见的**函数
  tanh就是sigmoid在规模上和位置上的变形产生的，输出是对0对称，在深度学习中表现的很好。
  
  ReLU是目前最流行的**函数
  
• 进一步拓展
  这个思想被后来的研究者进一步发扬光大，特别是google
  • 更大、更深的神经网络，更好的超参
  • 束搜索（beam search）
  • 基于决策序列的条件随机场（CRF）