哈工大LTP的依存分析

本文主要是介绍哈工大LTP的依存分析，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

# 可视化

网址：http://ltp.ai/demo.html

LTP提供的模型有tiny、small和base。根据安装的LTP版本，模型的版本也需要匹配，否则可能会出现不兼容的情况

注：web demo运行的是base模型；在线的SDP解码是Graph和Tree混合解码，具体可以看一下4.0.X的源码

# 本地安装（Python版）

1. pip install ltp

2. 运行代码后报错

Microsoft Visual C++ Redistributable is not installed, this may lead to the DLL load failure.It can be downloaded at https://aka.ms/vs/16/release/vc_redist.x64.exe

3. 根据报错里提供的网址下载 vc_redist.x64.exe 安装即可

4.1 报错

AttributeError: 'Version' object has no attribute 'major'

解决：packaging 包版本太低了，用命令pip install --upgrade packaging 更新 packaging

4.2 报错

KeyError: 'transformer_config'

解决：模型问题，参见链接。打开C:\Anaconda3\Lib\site-packages\ltp下的frontend.py文件（4.1.x版本，老版本文件为ltp.py），修改如下（先把模型下载下来，然后修改路径）

model_map = {'base': 'http://39.96.43.154/ltp/v2/base.tgz','small': 'http://39.96.43.154/ltp/v2/small.tgz',# 'tiny': 'http://39.96.43.154/ltp/v2/tiny.tgz''tiny': 'w:/ltp/tiny.tgz'
}

注意：LTP 4.1.X 与旧版本 v1,v2 模型不兼容[来源]，LTP 4.0.X 与 v3 也不兼容

联网自动下载的模型缓存在 C:\Users\用户名\.cache\torch\ltp

4.3 报错

sdp = ltp.sdp(hidden,graph=False)
3）TypeError: sdp() got an unexpected keyword argument 'graph'

解决：4.1.X 没有该参数了，只支持依存图

## 其他

除了安装ltp，之前有个版本pyltp，调用接口参数似乎更方便 [链接] [链接] [链接] [链接]

案例：基于哈工大LTP句子主干提取

# LTP：依存句法分析与语义依存分析的区别

虽然两者都借用了依存结构，但是依存句法分析与语义依存分析之间具有显著的区别。句法依存按照句法结构功能建立依存关系并为依存结构标注句法关系，更强调介词、助词等对句法结构划分的作用。而语义依存如前所说，注重实词之间语义事实上或逻辑上的关系。而句法的结构往往随着字面词语的变化而不同，相反语义则能够跨越句子表层的变化直达语义的本质 [来源]

与句法依存分析相比，语义依存分析能表达更深刻的语义信息，对于中文这种意合的语言尤为适合 [来源] 在中文界，最有影响力的标注方案是BH-SDP，由北京语言大学和哈尔滨工业大学联合制定 [来源]

区别于依存句法分析的树形结构，语义分析结果为一个有向无环图，称为语义依存图（Semantic Dependency Graph）[来源]

① 同一说法的不同表述

虽然三个句子拥有不同的句子结构, 产生了不同的句法分析结果, 但是三个句子中语言单元之间的语义关系并没有发生变化, 从"吃"这个词来看, 它的主体, 客体...都没有发生变化

对于表达同一意思的不同结构的句子来说，其依存句法分析的结果是不一样的，但是其语义依存分析的结果是一样的 [链接]

② 非实词在句子结构分析中的作用

第一，句法依存某种程度上更重视非实词（如介词）在句子结构分析中的作用，而语义依存更倾向在具有直接语义关联的实词之间建立直接依存弧，非实词作为辅助标记存在。

第二，两者依存弧上标记的语义关系完全不同，语义依存关系是由论元关系引申归纳而来，可以用于回答问题，如我在哪里喝汤，我在用什么喝汤。但是句法依存却没有这个能力（或者说句法分析树的结果是间接的，而语义依存图的结果是直接的。

# LTP：语义依存分析（依存树）和语义依存分析（依存图）的区别

传统的基于转移的依存分析算法，其最终得到得是一个依存树，这对依存分析存在一定限制，因此，最近几年提出的基于转移的语义依存图的解析，对依存分析进行了扩展 [链接]

与语义依存树不同，在依存图中，每个词的父节点个数是不确定的。这种不确定性使得用基于图的方法解决该问题变得很困难，因此我们选择了基于转移的方法，通过修改现有转移系统中的转移动作来直接生成语义依存图 [来源]

在语义依存树基础上做了突破，使得对连动、兼语、概念转位等汉语中常见的现象的分析更全面深入 [链接]

在原来的语义依存树中，受限于树结构，只能刻画出“有”与“儿子”之间的属事（Belg）关系。而在语义依存图中，除了该关系之外，还刻画出了“儿子”与“上”之间的施事（Agt）关系。语义依存图对语义关系更完整的覆盖，为获取句中实词之间的语义关系提供了更方便的工具。例如在“他有个儿子才上小学。”这句话中，如果要回答“谁在上小学”这个问题，语义依存图能够直接提供答案，而语义依存树则不能。

语义依存树与语义依存图的主要区别在于，在依存树中，任何一个成分都不能依存于两个或两个以上的成分，而在依存图中则允许句中成分依存于两个或两个以上的成分。且在依存图中允许依存弧之间存在交叉，而依存树中不允许 [链接]

与语义依存树分析相比，语义依存图能更全面、灵活的表示句子中的语义关系 [来源]

问题：为什么上面描述的和LTP在线演示出来的效果不一致

# 嵌套关系

用来标记一个事件降级充当了另一个事件的成分

如句子“爷爷看见小孙女在操作计算机”，划线部分为一个降级事件充当动词“看见”的“客事”角色dCont [来源]

# 附录

LTP 使用的是863词性标注集

语义依存分析的标注方案是BH-SDP

哈工大 LTP 标注文档介绍

	词性标注集pos/tag	依存句法分析标注集dep	语义依存分析标注集sdp
LTP	863词性标注集	BH-DEP	BH-SDP
SpaCy	基于Google Universal POS Tag set扩展	采用了 ClearNLP 的依存分析标签	-
DDParser	百度构建的标注集	DuCTB	-
HanLP	CTB、PKU、863、UD	SD、UD	SemEval16、DM、PAS、PSD
stanford corenlp	Penn Chinese Treebank Tag Set（CTB）	没找到说明采用的标注集 [链接]	-
jieba	和 ictclas 兼容的标记法	不支持	不支持