1 概述

句法分析也是自然語言處理中的基礎性工作，它分析句子的句法結構（主謂賓結構）和詞彙間的依存關係（並列，從屬等）。通過句法分析，可以為語義分析，情感傾向，觀點抽取等NLP應用場景打下堅實的基礎。

隨著深度學習在NLP中的使用，特別是本身攜帶句法關係的LSTM模型的應用，句法分析已經變得不是那麼必要了。但是，在句法結構十分複雜的長語句，以及標註樣本較少的情況下，句法分析依然可以發揮出很大的作用。因此研究句法分析依然是很有必要的。

2 句法分析分類

句法分析分為兩類，一類是分析句子的主謂賓 定狀補的句法結構。另一類是分析詞彙間的依存關係，如並列 從屬 比較 遞進等。下面詳細講解。

2.1 句法結構分析

句法結構分析，識別句子的主謂賓 定狀補，並分析各成分之間的關係。如下圖

句子的核心HED為謂語“提出”，主語SBV為“李克強”，賓語VOB為“支援上海積極探索新機制”。這樣我們就明確了句子的主幹結構。再來看細節，對於主語“李克強”，其修飾定語ATT為“國務院總理”。對於謂語“提出”，其修飾狀語ADV為“調研上海外高橋時”（這個狀語內部還可以結構細分）。

通過句法結構分析，我們就能夠分析出語句的主幹，以及各成分間關係。對於複雜語句，僅僅通過詞性分析，不能得到正確的語句成分關係。比如動詞謂語“提出”的主語，我們就可以知道是“李克強”，而不是離“提出”更近的同樣是名詞的“外高橋”了。

句法結構分析的標註如下

2.2 語義依存關係分析

語義依存關係分析，識別詞彙間的從屬 並列 遞進等關係，可以獲得較深層的語義資訊。如以下三個不同的表達方式，表達了同一個語義資訊。可見語義依存關係不受句法結構的影響。

語義依存關係偏向於介詞等非實詞的在語句中的作用，而句法結構分析則更偏向於名詞 動詞 形容詞等實詞。如張三 -> 吃的關係為施加關係Agt，蘋果->吃的關係為受事關係Pat。依存關係標註比較多，就不一一列舉了。

3 句法分析工具

句法分析演算法比較複雜，我們就不展開了。可以參考文章連結。介紹下幾個句法分析工具。

4 深度學習和句法分析

基於深度學習的RNN和LSTM序列模型，本身可以攜帶很多句法結構和依存關係等深層資訊。同時，句法分析樹結構也可以和深度學習結合起來。利用句法分析樹可以構建LSTM網路（tree-lstm）, 從而對語句進行文字摘要，情感分析。那是否基於句法分析樹的LSTM（tree-lstm）就一定比單純的雙向LSTM（bi-lstm）效果好嗎？

研究表明，很多情況下，單純的bi-lstm，比基於句法分析樹的tree-lstm效果更好

這主要是因為當前句法分析準確度不高，只有90%左右。如果是句子成分關係很複雜，則準確率更低。因此給lstm網路帶來了很大的噪聲，從而導致了tree-lstm模型準確度的降低。但是tree-lstm可以使用較少的標註語料，而且在句子結構複雜的長語句上，表現更好。因此當語料較少且句子結構很複雜時，可以考慮使用tree-lstm。相關文章可以參考 哈工大車萬翔：自然語言處理中的深度學習模型是否依賴於樹結構？連結

5 總結

句法分析是自然語言處理中的基礎性工作，在文字分析 觀點抽取 情感分析等場景下可以廣泛應用。句法分析當前難度還很高，準確率也有待提升。受制於句法分析準確率問題，基於句法結構樹的LSTM深度學習網路的準確率還有待進一步提升。總之，句法分析，任重而道遠。