继百度词法分析工具 LAC 2.0开源之后，8月4日，百度 NLP 又重磅发布了中文依存句法分析工具——DDParser！
相较于目前的其他句法分析工具，DDParser 基于大规模标注数据进行模型的训练，采取了更加简单易理解的标注关系，并且支持一键安装及调用，更加适合开发者快速学习及使用。
开源地址：
https://gitee.com/baidu/DDParser
https://github.com/baidu/DDParser
DDParser 是什么
DDParser（Baidu Dependency Parser）是百度 NLP 基于大规模标注数据和深度学习平台飞桨研发的中文依存句法分析工具，可帮助用户直接获取输入文本中的关联词对、长距离依赖词对等。
如图1所示，输入文本通过 DDParser 输出其对应的句法分析树，其中，两词之间的弧表示两个词具有依赖关系，由核心词指向依存词，弧上的标签表示依存词对核心词的关系。
▲ 图1
DDParser 能做什么
通过依存句法分析可直接获取输入文本中的关联词对、长距离依赖词对等，其对事件抽取、情感分析、问答等任务均有帮助。
如图1所示实例，在事件抽取任务中，我们通过依存分析结果可提取句子中所包含的各种粒度的事件，如“纳达尔击败梅德韦杰夫”、“纳达尔夺得冠军”、“纳达尔夺得2019年美网男单冠军”。
相应的，在问答任务中，我们根据问题的句法树与答案所在文本的句法树进行基于树的结构匹配，可获取对应的答案。例如，问题“谁夺得了2019年美网男单冠军”，句法树见图2，其答案所在文本的句法树见图1，我们通过两棵树的对应部分匹配，可得出答案为“纳达尔”。
▲ 图2
在情感分析任务中，依存分析可用于评价对象的情感极性判断。如图3所示，我们根据依存分析结果提取评价对象“羊肉串”的观点：“羊肉串咸”和“羊肉串不新鲜”，基于此来判断该评价对象的情感极性。
▲ 图3
利用依存分析结果可获取词之间的依赖关系和关联路径，如图4所示实例。前半句中存在两条路径“打疫苗”和“在哪儿打”，后半句中存在两条路径“打疫苗”和“打在哪儿”，这些路径信息可以给相似度计算等其他任务提供更多特征。
▲ 图4
总而言之，依存分析将句子表示为一棵树，提供了词之间的依赖关系和关联路径，其在句子序列基础上提供了更多的句子结构信息，可帮助其他任务从句子结构角度获取所需信息。
DDParser 的优势
· 基于大规模优质标注数据
DDParser 训练数据近百万，包含搜索 query、网页文本、语音输入数据等，覆盖了新闻、论坛等多种场景。从应用的角度出发，为了方便用户快速上手，DDParser 共设计了14种依存关系，并着重凸显实词间的关系，在随机数据上 LAS 可达到86.9%。
· 基于深度学习框架，不依赖繁复的特征工程
首先，DDParser 采用 bilinear attention mechanism 对句子语义进行表示，代替复杂的特征工程模式。其次，其输入层加入了词的 char 级别表示，缓解粒度不同带来的效果下降，网络结构如图5所示。
▲ 图5
· 调用便捷
DDParser 支持 Python 一键安装，方便用户快速使用。
DDParser 与其他开源工具的效果对比
DDParser 在与训练数据同源分布的标准测试集合上，LAS 达到92.9%。同时，为了验证 DDParser 在中文句法分析的优势，我们选择市面上关注度高的2款句法分析开源工具进行效果对比，评估方式为专家根据各工具依存关系定义人工标注。
经测试，在从搜索、聊天、网页文本、语音输入等数据集合中随机抽取构成的随机测试集合上，DDParser 效果达到了86.9%，效果优于同类工具，具体效果对比情况如表1所示。
▲ 表1
DDParser 如何安装使用
DDParser 支持 pip 一键安装，兼容 Windows、Linux 和 MacOS，调用方法如下所示：
pip install ddparser
from ddparser import DDParser ddp = DDParser() ddp.parse("百度是一家高科技公司")
具体安装方法参见 GitHub 的 README 文档中的快速开始。
目前，DDParser 已经开源，欢迎大家体验，并贡献你的 star 和 Fork！！！如果你有任何意见或问题都可以提 issue 到 Github，工具开发者将及时为你解答。
DDParser 项目地址：
百度自然语言处理（Natural Language Processing，NLP）以『理解语言，拥有智能，改变世界』为使命，研发自然语言处理核心技术，打造领先的技术平台和创新产品，服务全球用户，让复杂的世界更简单。
新闻出处：https://mp.weixin.qq.com/s/P6EGLco9LgQd4rlyl3OoGg
评论删除后，数据将无法恢复
百度中文依存句法分析工具 DDParser 重磅开源
继百度词法分析工具 LAC 2.0开源之后，8月4日，百度 NLP 又重磅发布了中文依存句法分析工具——DDParser！
相较于目前的其他句法分析工具，DDParser 基于大规模标注数据进行模型的训练，采取了更加简单易理解的标注关系，并且支持一键安装及调用，更加适合开发者快速学习及使用。
开源地址：
https://gitee.com/baidu/DDParser
https://github.com/baidu/DDParser
DDParser 是什么
DDParser（Baidu Dependency Parser）是百度 NLP 基于大规模标注数据和深度学习平台飞桨研发的中文依存句法分析工具，可帮助用户直接获取输入文本中的关联词对、长距离依赖词对等。
如图1所示，输入文本通过 DDParser 输出其对应的句法分析树，其中，两词之间的弧表示两个词具有依赖关系，由核心词指向依存词，弧上的标签表示依存词对核心词的关系。
▲ 图1
DDParser 能做什么
通过依存句法分析可直接获取输入文本中的关联词对、长距离依赖词对等，其对事件抽取、情感分析、问答等任务均有帮助。
如图1所示实例，在事件抽取任务中，我们通过依存分析结果可提取句子中所包含的各种粒度的事件，如“纳达尔击败梅德韦杰夫”、“纳达尔夺得冠军”、“纳达尔夺得2019年美网男单冠军”。
相应的，在问答任务中，我们根据问题的句法树与答案所在文本的句法树进行基于树的结构匹配，可获取对应的答案。例如，问题“谁夺得了2019年美网男单冠军”，句法树见图2，其答案所在文本的句法树见图1，我们通过两棵树的对应部分匹配，可得出答案为“纳达尔”。
▲ 图2
在情感分析任务中，依存分析可用于评价对象的情感极性判断。如图3所示，我们根据依存分析结果提取评价对象“羊肉串”的观点：“羊肉串咸”和“羊肉串不新鲜”，基于此来判断该评价对象的情感极性。
▲ 图3
利用依存分析结果可获取词之间的依赖关系和关联路径，如图4所示实例。前半句中存在两条路径“打疫苗”和“在哪儿打”，后半句中存在两条路径“打疫苗”和“打在哪儿”，这些路径信息可以给相似度计算等其他任务提供更多特征。
▲ 图4
总而言之，依存分析将句子表示为一棵树，提供了词之间的依赖关系和关联路径，其在句子序列基础上提供了更多的句子结构信息，可帮助其他任务从句子结构角度获取所需信息。
DDParser 的优势
· 基于大规模优质标注数据
DDParser 训练数据近百万，包含搜索 query、网页文本、语音输入数据等，覆盖了新闻、论坛等多种场景。从应用的角度出发，为了方便用户快速上手，DDParser 共设计了14种依存关系，并着重凸显实词间的关系，在随机数据上 LAS 可达到86.9%。
· 基于深度学习框架，不依赖繁复的特征工程
首先，DDParser 采用 bilinear attention mechanism 对句子语义进行表示，代替复杂的特征工程模式。其次，其输入层加入了词的 char 级别表示，缓解粒度不同带来的效果下降，网络结构如图5所示。
▲ 图5
· 调用便捷
DDParser 支持 Python 一键安装，方便用户快速使用。
DDParser 与其他开源工具的效果对比
DDParser 在与训练数据同源分布的标准测试集合上，LAS 达到92.9%。同时，为了验证 DDParser 在中文句法分析的优势，我们选择市面上关注度高的2款句法分析开源工具进行效果对比，评估方式为专家根据各工具依存关系定义人工标注。
经测试，在从搜索、聊天、网页文本、语音输入等数据集合中随机抽取构成的随机测试集合上，DDParser 效果达到了86.9%，效果优于同类工具，具体效果对比情况如表1所示。
▲ 表1
DDParser 如何安装使用
DDParser 支持 pip 一键安装，兼容 Windows、Linux 和 MacOS，调用方法如下所示：
具体安装方法参见 GitHub 的 README 文档中的快速开始。
目前，DDParser 已经开源，欢迎大家体验，并贡献你的 star 和 Fork！！！如果你有任何意见或问题都可以提 issue 到 Github，工具开发者将及时为你解答。
DDParser 项目地址：
https://gitee.com/baidu/DDParser
https://github.com/baidu/DDParser
百度自然语言处理（Natural Language Processing，NLP）以『理解语言，拥有智能，改变世界』为使命，研发自然语言处理核心技术，打造领先的技术平台和创新产品，服务全球用户，让复杂的世界更简单。
新闻出处：https://mp.weixin.qq.com/s/P6EGLco9LgQd4rlyl3OoGg