核心要点

  • 每个词只有一个 head（支配词）和一个 deprel 关系类型，整句构成以 root 为根的依存树

  • 依存树直接连接词与词，比成分树更直接暴露主谓宾，利于关系抽取

  • 主流实现：转移式（shift/reduce + 分类器）快，图模型（最大生成树）和 biaffine 神经解析器更准

  • projective 指弧不交叉，中文「把」字前置等会产生 non-projective，需专门算法处理

简要回答

输出信息：对每个词 $w_i$ 给出 head（支配词）和 deprel（依存关系类型），构成一棵（或森林）依存树；

示例：「小明 吃 苹果」→ 吃←root，小明←nsubj(主语)，苹果←dobj(宾语)

标准回答

输出信息：对每个词 $w_i$ 给出 head（支配词）和 deprel（依存关系类型），构成一棵（或森林）依存树。

示例：「小明 吃 苹果」→ 吃←root，小明←nsubj(主语)，苹果←dobj(宾语)。

与成分解析区别：依存树直接连词与词，成分树先短语再组合；依存更利于关系抽取。

经典算法

  • 转移式（MaltParser）：状态机 + 分类器逐步 shift/reduce
  • 图模型：Eisner 算法求最大生成树
  • 神经网络：biaffine parser（BERT 编码 + 打分弧）

projective：弧不交叉（英文常见）；中文允许非 projective（把… 前置）。

下游用途

  • 关系抽取：找主谓宾路径
  • 事件抽取、问答语义匹配
  • 语法纠错、文本生成控制

工具：spaCy、Stanza、HanLP。详见 NLP 句法分析。

常见误区

⚠️ 常见踩坑

混淆依存树与短语结构树；说不出具体依存关系类型；忽略非 projective 现象。

追问

追问 1：依存解析准确率瓶颈在哪？

长句、口语省略、领域术语、标点错误。联合 POS+解析、用预训练上下文表示、领域自适应数据是常见改进方向。

追问 2：Universal Dependencies 是什么？

跨语言统一的依存标注规范（UD v2），使多语言 parser 可共享架构与评测，促进零样本跨语言迁移研究。

追问 3：LLM 还需要依存解析吗？

生成式模型内隐学了部分句法，但显式依存仍用于可解释分析、结构化抽取、低资源语言工具链，以及与符号推理结合。

延伸学习

与本题相关的知识库文章、术语、工具与行业资讯。

📚 知识库

📖 术语表

📰 AI 资讯

🛠️ AI 工具

  • spaCy

    工业级 Python NLP 库，33K+ stars。提供高效的文本分词、命名实体识别、依存句法分析等能力，内置预训练模型支持 70+ 语言，是生产环境 NLP 任务的标准选择

🎯 相关面试题