StanfordNLP、CoreNLP、spaCy - 不同的依赖图答案

【问题标题】：StanfordNLP, CoreNLP, spaCy - different dependency graphsStanfordNLP、CoreNLP、spaCy - 不同的依赖图
【发布时间】：2019-05-23 03:04:44
【问题描述】：

我正在尝试使用在依赖图上定义的简单规则/模式从句子中提取非常基本的信息（例如，三元组，如主语->谓语->宾语）。我开始使用StanfordNLP，因为它很容易设置并利用 GPU 获得更好的性能。但是，我注意到对于某些句子，生成的依赖关系图看起来不像我预期的那样——虽然我不是专家。因此我尝试了另外两个解决方案：spaCy 和 Stanford CoreNLP（我知道这些是由不同的组维护的？）

对于例句 “Tom 让 Sam 相信 Alice 得了癌症。” 我已经打印了所有三种方法的依赖关系。 CoreNLP 和 spaCy 产生相同的依赖关系，但它们与 StanfordNLP 的依赖关系不同。因此，我倾向于切换到 CoreNLP 和 spaCy（另一个优势是它们与 NER 一起开箱即用）。

有没有人有更多的经验或反馈可以帮助从这里去哪里？我不希望 CoreNLP 和 spaCy 总是在相同的依赖图中产生，但在例句中，考虑 Sam as obj 作为 StandfordNLP 正在做的比较 nsubj (CoreNLP, spaCy) 似乎是显着差异

Format:
token   dependency_tag   parent_token

StanfordNLP
Tom     nsubj   made
made    ROOT    ROOT
Sam     obj     made
believe ccomp   made
that    mark    has
Alice   nsubj   has
has     ccomp   believe
cancer  obj     has
.       punct   made

CoreNLP
Tom     nsubj   made
made    ROOT    ROOT
Sam     nsubj   believe
believe ccomp   made
that    mark    has
Alice   nsubj   has
has     ccomp   believe
cancer  dobj    has
.       punct   made

spaCy
Tom     nsubj   made
made    ROOT    ROOT
Sam     nsubj   believe
believe ccomp   made
that    mark    has
Alice   nsubj   has
has     ccomp   believe
cancer  dobj    has
.       punct   made

【问题讨论】：

标签： nlp stanford-nlp spacy dependency-parsing

【解决方案1】：

不确定如何解决您的问题，但我建议您仔细阅读斯坦福 CoreNLP 的文档：https://nlp.stanford.edu/software/lex-parser.shtml

在包中，您可以使用几个语法和依赖解析器。只需查看语法解析，就有一个检索 k-best 解析的选项，如果您处理对它们的依赖关系，您很可能会为每个解析获得不同的依赖关系。

这与解析器的不准确和自然语言的歧义有关。

【讨论】：