Chapter7-8_Deep Learning for Constituency Parsing

本文为李弘毅老师【Deep Learning for Constituency Parsing】的课程笔记，课程视频youtube地址，点这里👈(需翻墙)。

下文中用到的图片均来自于李宏毅老师的PPT，若有侵权，必定删除。

文章索引：

上篇 - 7-7 Deep Learning for Coreference Resolution

下篇 - 7-9 Deep Learning for Dependency Parsing

总目录

1 什么是Constituency Parsing

Constituency parsing要做的事情就是解析出句子中所有的constituents。constituent在英文字典中的意思是“成分”，而在我们这次的这个场景中可以理解为句子中的一个“单元”。比如下面这句话中，“deep learning"就是一个constituent，“very powerful"也是一个constituent，甚至每一个单词都是一个"constituent”。但是"learning is very"这样狗屁不通的句子就不是"constituent”。一种感性的理解，只要读的通的，就是"constituent"。

每个constituent在语言学中都有对应的专有名词(POS tags)，比如"deep learning"就是NP(Noun phrase)，"very power"就是ADJP(Adjective phrase)等等。多个constituents可以组成一个更大的constituent。这也就构成了一棵树的结构，每个节点都是我们要找的constituent。为了简化，本文只考虑二叉树的情况。

那么，到底有哪些constituents呢？可见下表。

2 解决方案

用deep learning的方法来解决Constituency Parsing的问题有两个方案，一个是Chart-based Approach，另一个是Transition-based Approach。

2.1 Chart-based Approach

chart-based方法很直接，就是遍历句子里的所有spans，然后对每个span做两次分类，先推测这个span是不是一个constituent，如果是的话，再推测这个constituent的词性是什么。

模型的结构和上一篇中的Coreference Resolution很像。就是把整个句子过一个预训练的模型，然后对模型的输出取一个感兴趣的span，抽取这个span的特征，再送入刚才说的两个分类器当中。

如果要遍历所有的span的话，就要遍历N(N-1)/2次，这样做会有一个大问题，就是当模型认为"deep learning is"和"is very powerful"都是constiuent的时候，模型就自相矛盾了。

所以，实际情况下，并不是去遍历所有的spans，而是去遍历所有的树结构。然后取总置信度最高的那棵树来作为最终的那棵树。而去遍历所有的树的时候，会有许多需要重复计算的子节点，这就是一个典型的动态规划问题了。有个叫做CKY的算法就是来解决遍历树这个问题的。

2.2 Transition-based Approach

Transition-based方法有三个状态，一个叫做stack，用来存储已经操作过的元素；一个叫做buffer，用来存储还未操作的句子；还有一个叫做actions，表示着可以采取的动作。动作有"create"，“shift"和"reduce"三种。“create"表示一个词性的开始，将移入stack当中，比如NP从这个位置开始。“shift"表示将buffer中的一个单词移入stack当中。“reduce"表示一个词性的结束，结束符也将移入stack当中。

比如下图当中，每一步采取的action在下半图，每一个action的结果将保存在上半图的stack当中。首先create了一个”(s"表示"s"从这里开始，然后create了一个”(NP"表示"NP"从这里开始，接着两个shift，把"deep"和"learning"放入stack当中，接着一个"reduce”，表示"NP"的结束，即"deep learning"是一个"NP”，以此类推，直到全部结束。

这个方法的网络结构如下，就是将"stack"，"previous actions"和"buffer"分别过一个RNN，然后将这三个结果再一起过一个分类网络，输出要采取什么action，接着根据action更新状态，如此循环，直到结束。

看到有action，很多人可能会联想到强化学习，难道训练的时候要用强化学习的方法吗？不用！这就是一个简单的分类任务。因为我们的ground truth明确地告诉了我们这一步要输出什么action，所以只要每一步做分类就可以了。

2.3 Grammer as Foreign Language

还有一种直接用seq2seq的方法去做的，这种方法的关键就在于构造输出的结果是什么。一种构造方法如下图所示，自顶向下，由左向右，构造出来的和刚才Transition-based Approach的简直一模一样。只不过这里是直接用seq2seq去做的。