使用Berkeley Parser进行句法分析

一、句法分析

1、定义

　　句法分析判断输入的单词序列（一般为句子）的构成是否合乎给定的语法，并通过构造句法树来确定句子的结构以及各层次句法成分之间的关系，即确定一个句子中的哪些词构成一个短语，哪些词是动词的主语或宾语等问题。

2、主流技术

　　基于统计的方法是现阶段句法分析的主流技术。常见的概率句法分析模型包括概率上下文无关模型、基于历史的句法分析模型、层次化渐进式的句法分析模型和中心词驱动的句法分析模型。综合多种模型而实现的句法分析器种类繁多，目前在开源中文句法分析器中比较具有代表性有Stanford parser和 Berkeley parser。前者基于因子模型，后者基于非词汇化分析模型。

3、应用领域

　　随着自然语言应用的日益广泛，特别是对文本处理需求的进一步增加，句法分析的作用愈加突出，它在机器翻译、信息检索与抽取、问答系统、语音识别等研究领域中都有重要的应用价值。

二、Berkeley Parser

1、简介

Berkeley Parser是由伯克利大学自然语言处理小组开发的开源句法分析器，目前支持的语种主要有英文、中文、德文、阿拉伯文、保加利亚文、法文等。

2、特点

1) Berkeley Parser是一个纯粹的基于 PCFG的句法分析器，只能进行成分句法分析。

2) 分析器的输入形式可以文件为单位（每行一个句子），分析完成后得到的输出文件中包含了输入文件中所有句子的句法分析结果。

3) 默认的分析结果输出形式是文本，但为了让分析结果更加直观，可以设置程序的输出形式为句法分析树图像。

4) 可指定输出基于一个句子的排名前 n的句法分析树及每棵树的概率值。

5) 分析器提供了用于读取标准树库的代码，可基于用户指定的树库来训练新的文法。

6) 支持多线程分析，在多处理机系统上能获得更高的句法分析性能。

7) 由于分析器不含分词功能，所以必须先借助外部分词工具来进行分词，再将经过预处理的分词结果串作为句法分析器的输入。

三、使用Berkeley Parser教程——命令行中运行

1. 在Berkeley Parser的github上找到Berkeley Parser的jar包和模型文件并下载。（https://github.com/slavpetrov/berkeleyparser）

2. 一个简易的Berkeley Parser工具只需要包含：

　　①berkeleyParser.jar

　　②模板文件：中文为chn_sm5.gr，英文为eng_sm6.gr

　　③输入文件

3. 分析器不含分词功能，所以必须先借助外部分词工具来进行分词，再将经过预处理的分词结果串作为句法分析器的输入。

4. 进行parse之前需要将分词文本中的英文小括号”(“ 和“)”分别转化为”-LRB-”和”-RRB-”。Berkeley parser不能自动的进行这样的转化。中文parser输入输出标记不能用参数-inputFile和-outputFile，必须用”<”和”>”指定，否则会出现乱码问题。

5. 基本命令：

①打印parser的所有选项：

输入：

输出：

②对英文句子进行句法分析：

输入：

③对中文句子进行句法分析：

输入：

（参数解释：-mx1g 给java虚拟机分配的最大内存为1）

四、使用Berkeley Parser实例

1、中文句法分析

（1）分词包：BerkeleyParser-1.7.jar

（2）输入文件：chinese-ansi-input.txt（ANSI编码）

（3）待分析的句子：中国的神威太湖之光计算机被用于天气预报、制药研究和工业设计等领域。

（4）使用模板文件：chn_sm5.gr

（5）输出结果到文件：chinese-output.txt

（6）命令行运行的代码：

（7）输出文件的内容：

2、英文句法分析

（1）分词包：BerkeleyParser-1.7.jar

（2）输入文件：english-input.txt（UTF8编码）

（3）待分析的句子：One meets its destiny on the road he takes to avoid it.

（4）使用模板文件：eng_sm6.gr

（5）输出结果到文件：english-output.txt

（6）命令行运行的代码：

（7）输出文件的内容：

参考资料

【1】文献《大规模语料库上的Stanford和Berkeley句法分析器性能对比分析》项炜，金澎；

【2】Berkeley parser -《句法分析工具指南(parser guideline) 》- http://3y.uu456.com/bp-8d672929ed630b1c59eeb595-1.html

参考文件