依存句法分析總結

1. 基本概念

依存句法分析（Dependency Parsing，DP）通過分析語言單位內成分之間的依存關係，揭示其句法結構。直觀來講，就是分析句子中的“主謂賓”、“定狀補”這些語法成分，並分析各成分的關係。對句法結構進行分析，一方面是語言理解的自身需求，句法分析是語言理解的基礎，另外一方面，句法分析也爲其他自然語言處理任務提供支持。比如：句法驅動的統計機器翻譯需要對源語言或目標語言進行句法分析。

1.1 謂詞

依存句法認爲“謂詞”中的動詞是一個句子的核心，其他成分與動詞直接或者間接的產生聯繫。

1.2 依存理論

依存理論中，“依存”指的是詞與詞之間處於支配與被支配的關係，這種關係具有方向性。處於支配地位的詞稱之爲支配者（head），處於被支配地位的成分稱之爲從屬者（dependency）。

依存語法存在一個基本假設，句法分析核心是詞與詞的依存關係，一個依存關係連接兩個詞：head和dependency。依存關係可以細分爲不同類型，表示具體的兩個詞的依存關係。

1.3 依存關係

關係類型	Tag	Description	Example
主謂關係	SBV	subject-verb	我送她一束花 (我 <– 送)
動賓關係	VOB	直接賓語，verb-object	我送她一束花 (送 –> 花)
間賓關係	IOB	間接賓語，indirect-object	我送她一束花 (送 –> 她)
前置賓語	FOB	前置賓語，fronting-object	他什麼書都讀 (書 <– 讀)
兼語	DBL	double	他請我吃飯 (請 –> 我)
定中關係	ATT	attribute	紅蘋果 (紅 <– 蘋果)
狀中結構	ADV	adverbial	非常美麗 (非常 <– 美麗)
動補結構	CMP	complement	做完了作業 (做 –> 完)
並列關係	COO	coordinate	大山和大海 (大山 –> 大海)
介賓關係	POB	preposition-object	在貿易區內 (在 –> 內)
左附加關係	LAD	left adjunct	大山和大海 (和 <– 大海)
右附加關係	RAD	right adjunct	孩子們 (孩子 –> 們)
獨立結構	IS	independent structure	兩個單句在結構上彼此獨立
核心關係	HED	head	指整個句子的核心

2. 基本方法

• 基於轉移的方法

  基於轉移的方法通過shift-reduce兩個基本動作，將序列轉爲樹結構。首先用一個 buffer 來存儲所有未處理的輸入句子，並用一個棧來存儲當前的分析狀態。動作可以分爲：

  1. shift，即將 buffer 中的一個詞移到棧中；
  2. $left\_arc(x)$，即棧頂兩個詞 a,b 爲 a<-b 的依賴關係，關係種類爲 x；
  3. $right\_arc(x)$，即棧頂兩個詞 a,b 爲 a->b 的依賴關係，關係種類爲 x。後兩種動作爲 reduce 動作。

  目前，基於轉移的方法最好模型是stack lstm。 通過三個 LSTM 來分別建模棧狀態、待輸入序列和動作序列。 其中因爲棧需要入棧和出棧，因此作者提出了一個 Stack LSTM 來建模棧狀態。

論文地址： https://arxiv.org/pdf/1505.08075.pdf

• 基於圖的方法

  目前的依存句法分析中，最流行的方法是基於圖的方法經典的方法是 Biaffine 模型。直接用神經網絡來預測每兩個詞之間存在依存關係的概率，這樣我們就得到一個全連接圖，圖上每個邊代表了節點 a 指向節點 b 的概率。然後使用MST等方法來來將圖轉換爲一棵樹。

  Biaffine 模型其實和我們目前全連接自注意力模型非常類似。Biaffine 模型十分簡單，並且容易理解，並且在很多數據集上都取得了目前最好的結果。

論文地址：https://arxiv.org/pdf/1611.01734.pdf

• 聯合模型(深度學習)

  1. 詞性標註&句法分析

     聯合詞性標註和句法分析的模型有很多，可以是基於轉移的方法，也可以是基於圖的方法，這裏介紹一個簡單思路。首先利用lstm來預測詞性，然後聯合詞性信息和詞信息一起用另外一個lstm來建模，並用Biaffine模型來做句法分析。

論文地址： https://arxiv.org/pdf/1807.03955.pdf

2. 中文分詞&句法分析

   中文的句法分析是基於詞級別的，所以在句法分析之前，會做分詞。爲了避免流水線模式的錯誤積累，很容易想到的就是分詞和詞法分析聯合建模。

   這裏主要介紹一下邱希鵬教授實驗室提出的模型：joint CWS。

其中兩個關鍵點：

• biaffine parsing
• ‘app’ 作爲特殊的依賴關係

其實方法很簡單，只需要將詞內部的字之間加上一個特殊的依賴關係“app”，然後將詞級別的依存關係轉換爲字級別的依存關係。並且用 biaffine 模型來進行同時預測。

論文地址：https://arxiv.org/pdf/1904.04697.pdf

3. 常用工具

https://www.jianshu.com/p/867bd48cd9ad

3.1 LTP

1. 安裝

   pip install pyltp
   

2. 下載數據包

   ltp_data_v3.4.0： 鏈接: https://pan.baidu.com/s/1aDrb95ylZHoTPKJY6K1Slw 密碼: ehe2

3. 測試代碼

   from pyltp import Parser, Postagger, Segmentor
   
   text = 'HanLP是一系列模型與算法組成的自然語言處理工具包，目標是普及自然語言處理在生產環境中的應用。'
   
   # 分詞
   segmentor = Segmentor()
   segmentor.load("/home/sunshine/datasets/other/ltp_data_v3.4.0/cws.model")
   tokens = segmentor.segment(text)
   
   # 詞性
   postagger = Postagger()
   postagger.load('/home/sunshine/datasets/other/ltp_data_v3.4.0/pos.model')
   postags = postagger.postag(tokens)
   
   # 依存句法分析
   parser = Parser()
   parser.load('/home/sunshine/datasets/other/ltp_data_v3.4.0/parser.model')
   arcs = parser.parse(tokens, postags)
   
   i = 1
   result = zip(tokens, postags, arcs)
   for item in result:
       print(i, item[0], item[1], item[2].head, item[2].relation)
       i += 1
   

   1 HanLP ws 2 SBV
   2 是 v 0 HED
   3 一 m 4 ATT
   4 系列 q 5 ATT
   5 模型 n 8 SBV
   6 與 c 7 LAD
   7 算法 n 5 COO
   8 組成 v 12 ATT
   9 的 u 8 RAD
   10 自然 n 11 ATT
   11 語言 n 12 SBV
   12 處理 v 2 VOB
   13 工具包 n 12 VOB
   14 ， wp 2 WP
   15 目標 n 16 SBV
   16 是 v 2 COO
   17 普及 v 16 VOB
   18 自然 n 19 ATT
   19 語言 n 20 ATT
   20 處理 v 17 VOB
   21 在 p 26 ATT
   22 生產 v 23 ATT
   23 環境 n 24 ATT
   24 中 nd 21 POB
   25 的 u 21 RAD
   26 應用 v 20 VOB
   27 。 wp 2 WP
   

3.2 stanfordNLP

3.2.1 StanordCoreNLP

Github地址：https://github.com/Lynten/stanford-corenlp

官網：https://stanfordnlp.github.io/CoreNLP/

1. 安裝

   pip install stanfordcorenlp
   

2. 安裝java環境（略）

3. 下載數據包

   鏈接: https://pan.baidu.com/s/1kD3gaxVwvxZGaEN3EDedvA 提取碼: m72n

   數據包下載之後，解壓stanford-corenlp-full-2018-02-27.zip，將stanford-chinese-corenlp-2018-02-27-models.jar拷貝至stanford-corenlp-full-2018-02-27.zip解壓目錄。

4. 測試代碼

   from stanfordcorenlp import StanfordCoreNLP
   text = 'HanLP是一系列模型與算法組成的自然語言處理工具包，目標是普及自然語言處理在生產環境中的應用。'
   nlp = StanfordCoreNLP("/home/sunshine/datasets/other/standfordCoreNLP/stanford-corenlp-full-2018-02-27", lang='zh')
   tokens = nlp.word_tokenize(text)
   postags = nlp.pos_tag(text)
   result = nlp.dependency_parse(text)
   i = 1
   for item in zip(tokens, postags, result):
       print(i, item[0], item[1][1], item[2][1], item[2][2])
       i += 1
   

   1 HanLP NR 0 12
   2 是 VC 12 1
   3 一 CD 12 2
   4 系列 M 11 3
   5 模型 NN 3 4
   6 與 CC 7 5
   7 算法 NN 7 6
   8 組成 VV 8 7
   9 的 DEC 11 8
   10 自然 NN 8 9
   11 語言 NN 11 10
   12 處理 VV 12 11
   13 工具包 NN 12 13
   14 ， PU 12 14
   15 目標 NN 17 15
   16 是 VC 17 16
   17 普及 VV 12 17
   18 自然 NN 19 18
   19 語言 NN 17 19
   20 處理 VV 17 20
   21 在 P 23 21
   22 生產 NN 23 22
   23 環境 NN 26 23
   24 中 LC 23 24
   25 的 DEG 23 25
   26 應用 NN 20 26
   27 。 PU 12 27
   

5. 依存句法解釋

   > > ROOT：要處理文本的語句
   > > IP：簡單從句
   > > NP：名詞短語
   > > VP：動詞短語
   > > PU：斷句符，通常是句號、問號、感嘆號等標點符號
   > > LCP：方位詞短語
   > > PP：介詞短語
   > > CP：由‘的’構成的表示修飾性關係的短語
   > > DNP：由‘的’構成的表示所屬關係的短語
   > > ADVP：副詞短語
   > > ADJP：形容詞短語
   > > DP：限定詞短語
   > > QP：量詞短語
   > > NN：常用名詞
   > > NR：固有名詞
   > > NT：時間名詞
   > > PN：代詞
   > > VV：動詞
   > > VC：是
   > > CC：表示連詞
   > > VE：有
   > > VA：表語形容詞
   > > AS：內容標記（如：了）
   > > VRD：動補複合詞
   > > CD: 表示基數詞
   > > DT: determiner 表示限定詞
   > > EX: existential there 存在句
   > > FW: foreign word 外來詞
   > > IN: preposition or conjunction, subordinating 介詞或從屬連詞
   > > JJ: adjective or numeral, ordinal 形容詞或序數詞
   > > JJR: adjective, comparative 形容詞比較級
   > > JJS: adjective, superlative 形容詞最高級
   > > LS: list item marker 列表標識
   > > MD: modal auxiliary 情態助動詞
   > > PDT: pre-determiner 前位限定詞
   > > POS: genitive marker 所有格標記
   > > PRP: pronoun, personal 人稱代詞
   > > RB: adverb 副詞
   > > RBR: adverb, comparative 副詞比較級
   > > RBS: adverb, superlative 副詞最高級
   > > RP: particle 小品詞
   > > SYM: symbol 符號
   > > TO:”to” as preposition or infinitive marker 作爲介詞或不定式標記
   > > WDT: WH-determiner WH限定詞
   > > WP: WH-pronoun WH代詞
   > > WP$: WH-pronoun, possessive WH所有格代詞
   > > WRB:Wh-adverb WH副詞
   > > 
   > > 關係表示
   > > abbrev: abbreviation modifier，縮寫
   > > acomp: adjectival complement，形容詞的補充；
   > > advcl : adverbial clause modifier，狀語從句修飾詞
   > > advmod: adverbial modifier狀語
   > > agent: agent，代理，一般有by的時候會出現這個
   > > amod: adjectival modifier形容詞
   > > appos: appositional modifier,同位詞
   > > attr: attributive，屬性
   > > aux: auxiliary，非主要動詞和助詞，如BE,HAVE SHOULD/COULD等到
   > > auxpass: passive auxiliary 被動詞
   > > cc: coordination，並列關係，一般取第一個詞
   > > ccomp: clausal complement從句補充
   > > complm: complementizer，引導從句的詞好重聚中的主要動詞
   > > conj : conjunct，連接兩個並列的詞。
   > > cop: copula。系動詞（如be,seem,appear等），（命題主詞與謂詞間的）連繫
   > > csubj : clausal subject，從主關係
   > > csubjpass: clausal passive subject 主從被動關係
   > > dep: dependent依賴關係
   > > det: determiner決定詞，如冠詞等
   > > dobj : direct object直接賓語
   > > expl: expletive，主要是抓取there
   > > infmod: infinitival modifier，動詞不定式
   > > iobj : indirect object，非直接賓語，也就是所以的間接賓語；
   > > mark: marker，主要出現在有“that” or “whether”“because”, “when”,
   > > mwe: multi-word expression，多個詞的表示
   > > neg: negation modifier否定詞
   > > nn: noun compound modifier名詞組合形式
   > > npadvmod: noun phrase as adverbial modifier名詞作狀語
   > > nsubj : nominal subject，名詞主語
   > > nsubjpass: passive nominal subject，被動的名詞主語
   > > num: numeric modifier，數值修飾
   > > number: element of compound number，組合數字
   > > parataxis: parataxis: parataxis，並列關係
   > > partmod: participial modifier動詞形式的修飾
   > > pcomp: prepositional complement，介詞補充
   > > pobj : object of a preposition，介詞的賓語
   > > poss: possession modifier，所有形式，所有格，所屬
   > > possessive: possessive modifier，這個表示所有者和那個’S的關係
   > > preconj : preconjunct，常常是出現在 “either”, “both”, “neither”的情況下
   > > predet: predeterminer，前綴決定，常常是表示所有
   > > prep: prepositional modifier
   > > prepc: prepositional clausal modifier
   > > prt: phrasal verb particle，動詞短語
   > > punct: punctuation，這個很少見，但是保留下來了，結果當中不會出現這個
   > > purpcl : purpose clause modifier，目的從句
   > > quantmod: quantifier phrase modifier，數量短語
   > > rcmod: relative clause modifier相關關係
   > > ref : referent，指示物，指代
   > > rel : relative
   > > root: root，最重要的詞，從它開始，根節點
   > > tmod: temporal modifier
   > > xcomp: open clausal complement
   > > xsubj : controlling subject 掌控者
   > > 中心語爲謂詞
   > > subj — 主語
   > > nsubj — 名詞性主語（nominal subject） （同步，建設）
   > > top — 主題（topic） （是，建築）
   > > npsubj — 被動型主語（nominal passive subject），專指由“被”引導的被動句中的主語，一般是謂詞語義上的受事 （稱作，鎳）
   > > csubj — 從句主語（clausal subject），中文不存在
   > > xsubj — x主語，一般是一個主語下面含多個從句 （完善，有些）
   > > 中心語爲謂詞或介詞
   > > obj — 賓語
   > > dobj — 直接賓語 （頒佈，文件）
   > > iobj — 間接賓語（indirect object），基本不存在
   > > range — 間接賓語爲數量詞，又稱爲與格 （成交，元）
   > > pobj — 介詞賓語 （根據，要求）
   > > lobj — 時間介詞 （來，近年）
   > > 中心語爲謂詞
   > > comp — 補語
   > > ccomp — 從句補語，一般由兩個動詞構成，中心語引導後一個動詞所在的從句(IP) （出現，納入）
   > > xcomp — x從句補語（xclausal complement），不存在
   > > acomp — 形容詞補語（adjectival complement）
   > > tcomp — 時間補語（temporal complement） （遇到，以前）
   > > lccomp — 位置補語（localizer complement） （佔，以上）
   > > — 結果補語（resultative complement）
   > > 中心語爲名詞
   > > mod — 修飾語（modifier）
   > > pass — 被動修飾（passive）
   > > tmod — 時間修飾（temporal modifier）
   > > rcmod — 關係從句修飾（relative clause modifier） （問題，遇到）
   > > numod — 數量修飾（numeric modifier） （規定，若干）
   > > ornmod — 序數修飾（numeric modifier）
   > > clf — 類別修飾（classifier modifier） （文件，件）
   > > nmod — 複合名詞修飾（noun compound modifier） （浦東，上海）
   > > amod — 形容詞修飾（adjetive modifier） （情況，新）
   > > advmod — 副詞修飾（adverbial modifier） （做到，基本）
   > > vmod — 動詞修飾（verb modifier，participle modifier）
   > > prnmod — 插入詞修飾（parenthetical modifier）
   > > neg — 不定修飾（negative modifier） (遇到，不)
   > > det — 限定詞修飾（determiner modifier） （活動，這些）
   > > possm — 所屬標記（possessive marker），NP
   > > poss — 所屬修飾（possessive modifier），NP
   > > dvpm — DVP標記（dvp marker），DVP （簡單，的）
   > > dvpmod — DVP修飾（dvp modifier），DVP （採取，簡單）
   > > assm — 關聯標記（associative marker），DNP （開發，的）
   > > assmod — 關聯修飾（associative modifier），NP|QP （教訓，特區）
   > > prep — 介詞修飾（prepositional modifier） NP|VP|IP（採取，對）
   > > clmod — 從句修飾（clause modifier） （因爲，開始）
   > > plmod — 介詞性地點修飾（prepositional localizer modifier） （在，上）
   > > asp — 時態標詞（aspect marker） （做到，了）
   > > partmod– 分詞修飾（participial modifier） 不存在
   > > etc — 等關係（etc） （辦法，等）
   > > 中心語爲實詞
   > > conj — 聯合(conjunct)
   > > cop — 系動(copula) 雙指助動詞？？？？
   > > cc — 連接(coordination)，指中心詞與連詞 （開發，與）
   > > 其它
   > > attr — 屬性關係 （是，工程）
   > > cordmod– 並列聯合動詞（coordinated verb compound） （頒佈，實行）
   > > mmod — 情態動詞（modal verb） （得到，能）
   > > ba — 把字關係
   > > tclaus — 時間從句 （以後，積累）
   > > — semantic dependent
   > > cpm — 補語化成分（complementizer），一般指“的”引導的CP （振興，的）
   > > ```
   > ```
   

3.2.2 stanza

github: https://github.com/stanfordnlp/stanza

stanza同樣是stanford發佈的版本。

1. 安裝

   pip install stanza
   

2. 下載模型

   import stanza
   stanza.download('zh') 
   

   我這裏提供一份中文的模型包供大家下載。

   鏈接: https://pan.baidu.com/s/1hb9ATqpOGC9sHBHZ2hNdeg 提取碼: fqdm

3. 測試代碼

   import stanza
   nlp = stanza.Pipeline('zh') # This sets up a default neural pipeline in English
   doc = nlp("HanLP是一系列模型與算法組成的自然語言處理工具包，目標是普及自然語言處理在生產環境中的應用。")
   doc.sentences[0].print_dependencies()
   

   ('HanLP', '14', 'nsubj')
   ('是', '14', 'cop')
   ('一', '4', 'nummod')
   ('系列', '5', 'clf')
   ('模型', '8', 'nsubj')
   ('與', '7', 'cc')
   ('算法', '5', 'conj')
   ('組成', '14', 'acl:relcl')
   ('的', '8', 'mark:relcl')
   ('自然', '12', 'nmod')
   ('語言', '12', 'compound')
   ('處', '13', 'nmod')
   ('理工', '14', 'nsubj')
   ('具包', '0', 'root')
   ('，', '14', 'punct')
   ('目標', '17', 'nsubj')
   ('是', '14', 'parataxis')
   ('普及', '17', 'xcomp')
   ('自然', '20', 'nmod')
   ('語言', '21', 'nsubj')
   ('處理', '18', 'ccomp')
   ('在', '27', 'det')
   ('生產', '24', 'nmod')
   ('環境', '22', 'nmod')
   ('中', '24', 'acl')
   ('的', '22', 'case:dec')
   ('應用', '18', 'obj')
   ('。', '14', 'punct')
   

3.3 HaNLP

官網：http://hanlp.linrunsoft.com/

在線演示：http://hanlp.com/

3.3.1 pyhanlp(hanlp1.x)

Github地址：https://github.com/hankcs/pyhanlp

1. 安裝

   pip install pyhanlp
   

2. 下載數據包

   data：鏈接: https://pan.baidu.com/s/169Fgb6vhfsx10O2xEomY1Q 提取碼: r4zv

   將下載的數據包解壓至%python_lib%/site-packages/pyhanlp/static文件夾。我這裏提供的是1.7.5版本，同樣支持1.7.7版本的pyhanlp。

   默認會自動下載相關的jar包。

3. 測試代碼

   from pyhanlp import HanLP
       print(HanLP.parseDependency("HanLP是一系列模型與算法組成的自然語言處理工具包，目標是普及自然語言處理在生產環境中的應用"))
   

   1	HanLP	HanLP	ws	nx	_	2	主謂關係	_	_
   2	是	是	v	v	_	0	核心關係	_	_
   3	一系列	一系列	n	n	_	4	定中關係	_	_
   4	模型	模型	n	n	_	7	主謂關係	_	_
   5	與	與	p	p	_	7	狀中結構	_	_
   6	算法	算法	n	n	_	5	介賓關係	_	_
   7	組成	組成	v	v	_	10	定中關係	_	_
   8	的	的	u	u	_	7	右附加關係	_	_
   9	自然語言處理	自然語言處理	nz	nz	_	10	定中關係	_	_
   10	工具包	工具包	n	n	_	2	動賓關係	_	_
   11	，	，	wp	w	_	2	標點符號	_	_
   12	目標	目標	n	n	_	13	主謂關係	_	_
   13	是	是	v	v	_	2	並列關係	_	_
   14	普及	普及	v	v	_	13	動賓關係	_	_
   15	自然語言處理	自然語言處理	nz	nz	_	19	主謂關係	_	_
   16	在	在	p	p	_	19	狀中結構	_	_
   17	生產環境	生產環境	n	n	_	16	介賓關係	_	_
   18	中的	中的	v	v	_	19	狀中結構	_	_
   19	應用	應用	v	vn	_	14	動賓關係	_	_
   

3.3.2 hanlp2.0

1. 安裝

   pip install hanlp
   

   hanlp2.0是基於tensorflow2.1訓練的網絡模型，線上提供了很多訓練好的預訓練模型，問題在於基本上不可能自動下載成功，需要手動下載模型並存放到相應的位置。

2. 查看已經提供的模型

   import hanlp
   for k,v in hanlp.pretrained.ALL.items():
       print(k, v)
   

3. 測試代碼

   tokenizer = hanlp.load('CTB6_CONVSEG')
   tagger = hanlp.load('CTB5_POS_RNN')
   syntactic_parser = hanlp.load('CTB7_BIAFFINE_DEP_ZH')
   
   pipeline = hanlp.pipeline() \
   .append(hanlp.utils.rules.split_sentence, output_key='sentences') \
   .append(tokenizer, output_key='tokens') \
   .append(tagger, output_key='part_of_speech_tags') \
   .append(syntactic_parser, input_key=('tokens', 'part_of_speech_tags'), output_key='syntactic_dependencies',
           conll=False)
   
   text = 'HanLP是一系列模型與算法組成的自然語言處理工具包，目標是普及自然語言處理在生產環境中的應用'
   
   doc = pipeline(text)
   tokens = doc.tokens[0]
   pos = doc.part_of_speech_tags[0]
   dependencies = doc.syntactic_dependencies[0]
   
   for i in range(len(tokens)):
       print(i, tokens[i], pos[i], dependencies[i][0], dependencies[i][1])
   

   0 HanLP NN 2 top
   1 是 VC 0 root
   2 一系列 NN 6 nn
   3 模型 NN 6 conj
   4 與 CC 6 cc
   5 算法 NN 7 nsubj
   6 組成 VV 10 rcmod
   7 的 DEC 7 cpm
   8 自然 NN 10 nn
   9 語言 NN 11 nsubj
   10 處理 VV 2 ccomp
   11 工具包 PU 11 punct
   12 ， PU 2 punct
   13 目標 NN 15 top
   14 是 VC 2 conj
   15 普及 VV 15 ccomp
   16 自然 NN 18 nn
   17 語言 NN 16 dobj
   18 處理 VV 16 conj
   19 在 P 25 assmod
   20 生產 NN 22 nn
   21 環境 NN 23 lobj
   22 中 LC 20 plmod
   23 的 DEG 20 assm
   24 應用 NN 19 dobj
   

4. 數據集

• Penn Treebank

  Penn Treebank是一個項目的名稱，項目目的是對語料進行標註，標註內容包括詞性標註以及句法分析。

• SemEval-2016 Task 9

  中文語義依存圖數據：http://ir.hit.edu.cn/2461.html

  下載地址：https://github.com/HIT-SCIR/SemEval-2016

• evsam05

  鏈接: https://pan.baidu.com/s/1cFQBNcd-HnuTPUlGT7h9wg 提取碼: tjdx

• CoNLL任務

  • http://universaldependencies.org/conll18/
  • http://ufal.mff.cuni.cz/conll2009-st/
  • https://www.clips.uantwerpen.be/conll2008/
  • https://www.clips.uantwerpen.be/conll2007/

5. 可視化工具

1. conllu.js

   https://github.com/spyysalo/conllu.js

2. DependencyViewer.exe

   http://nlp.nju.edu.cn/tanggc/tools/DependencyViewer.html

參考：

https://mp.weixin.qq.com/s/AP4TCnRfIccqAxDu4FlBew