Motivation:
依存句法分析在句法分析和語義消歧任務上發揮着重要的作用。在此之前決策式的分析方法（deterministic parsing）大部分都是語言心理學家考慮的問題，而這種方法在消歧任務上有很大優勢，因此本文提出一種數據驅動的依存句法分析方法——基於轉移的決策式分析方法用來替代傳統的做法。將生成句法樹的任務轉換成生成操作序列的任務。
基本概念:
一顆依存樹應該滿足以下形式約束：
Single head：即句子中的每個單詞只有一個入邊；
Acyclic：依存圖或依存樹中不能出現循環結構；
Connected：圖中任意兩個結點之間通過有限的邊可以連接；
Projective：假設這條邊連接的是wi和wj，其中i<j，它的中心詞是head(是wi，wj中的一個)。如果對於i和j之間的每一個詞，都存在一條從head到它的路徑，那麼這條邊就滿足Projective性質。
總體流程：
先看一個整個算法執行的步驟：
- 我們目前有的是預料(如下圖)和句法解析算法（下面介紹）
原始數據
- 然後用句法解析算法對語料進行處理生成一系列的操作，原始數據加上操作纔是訓練數據（這裏纔是訓練數據）；
- 根據訓練數據生成一個解析器（parser）；
- 測試數據放入解析器生成一系列的操作，有了這些操作就相當於得到句法樹；
- 計算attachment score，判斷生成句法樹的質量。
解析算法：
這部分算法用來根據語料生成訓練數據，對於如何根據訓練數據生成模型文章中並沒有提到。參考其他資料可以發現，大部分都是利用SVM或最大熵訓練解析器（parser）。
- Baseline：
- S/R：
If the node on top of the stack can be a transitive head of the next input token then Shift; otherwise Reduce.
- S/RA：
preferring a Shift over a Right-Arc in congurations where the token on top of the stack is a verb and the next token could be a post-modier of this verb but could also be a pre-modier of a following token.例如下圖所示情況。
實驗結果：
可以發現模型越複雜，效果越好。
啓發：
- 在選擇操作時，使用更復雜的優先級算法；
- 除上面4個約束以外，考慮其他約束；
- 改動不同生成parser的模型。