一个用C++实现的 中文句法分析 工具包，采用的是中文宾州树库标准(Chinese Tree Bank)，并提供源代码。 可以对原始的文档（GBK编码）进行自动繁简转换，分句，分词，词性标注，依存句法分析。

该句法分析工具采用了标准的图模型算法，即最大生成树算法(projective Maximum Spanning Tree)。该算法由Eisner于96年提出，复杂度为句子长度的三次方。详情可参见论文[1]

句法分析目前尚属于研究阶段，离实际应用还有很长的距离。其关键问题在于句法分析速度太慢。远远落后于分词和词性标注，因此无法处理海量数据。正因 为这样，本工具包不提供更加耗时的高阶解码算法(Higher order projective parsing)，并采用新的数据结构[2]，在无损精度的前提下，提高句法分析的速度。

系统框架：
整个句法分析分为5步：
1、繁简、半全角转换并切句：所有繁体字通过一张对应表转成简体字，所有的半角符号转成全角。比如'a'就转成'ａ'。对转换好的句子，用简单的规则进行切句。
2、命名实体识别：采用条件随机场模型标出句中的人名、地名。
3、分词：采用条件随机场模型进行分词，人名、地名被强制独立成词。此外，采用最短路的方法匹配出字典中的词。
4、词性标注：采用条件随机场模型进行词性标注，字典匹配出的词，其词性和字典一致。
5、句法分析：采用最优生成树算法，对句子进行句法分析。

评测：
在CTB6标准测试集上，ctbparser分词得到95.3% F1值，词性标注精度94.27%，句法分析精度81%。处理速度（包括分词、词性标注、句法分析）的速度是每秒30句，内存占用为270M。（操作系 统：64位CentOS 5，CPU: Intel(R) Xeon(R) E5405, 2.00GHz）

具体使用说明在工具包readme_cn.html文件中，这里就不提了。

参考文献：

[1] Mark A. Paskin, "Cubic-time Parsing and Learning Algorithms for Grammatical Bigram Models", technique report, 2001

[2] Xian Qian, Qi Zhang, Xuangjing Huang and Lide Wu. "2D Trie for fast parsing ", COLING 2010

您可能感兴趣的文章: