biaffineparser

代码：

一、pytorch，可以直接跑

https://github.com/chantera/biaffineparser

　　python parser.py train --out model --trainfile svm_rank/save/diff.conll --validfile svm_rank/save/dev.conll

Embedding = NONE，没有使用glove时，初始化向量为0，word_min_frequency=1而不是2

二、https://github.com/tdozat/Parser-v1：

要求tf0.1（source activate t0.1）,但是无论tf几都报错。。。

详解arc得分和arc标签
http://www.hankcs.com/nlp/parsing/deep-biaffine-attention-for-neural-dependency-parsing.html

https://blog.csdn.net/appleml/article/details/77877120

Multilayer Perceptron (MLP)
ebiaffine transformations仿射变换

依存树解析任务目前有两种做法，一是Transition-based approach, 另一种就是graph-based方法；针对每种方法文中给出了将一句话解析成依存书的具体实现步骤，本文的方法是用的graph-based框架。
本文的框架图：

graph-based方法： 从左向右解析句子，针对句中的每个词，找该词的head词（该词到head词之间的arc）以及从该词到head词之间的依存关系类型。

假设句子长度为L+1， 那么针对每个词可能的head word个数就是L个（除词本身以外的其他所有词都可能是该词的head word），所以不同的句子中的词分类时类别是不同的。
举个例子：
句1长为10，句2长为7， 那么句1中的word i 的候选head word 个数是9，即类别为9， 句2中word j 的候选 head word个数是6.

其中公式（6）就是就是套用的公式（2）所得

针对每个arc, arc的标签类别个数就是依存标签的个数是固定的：