本文主要是介绍StandfordCoreNLP 依存分析Dependency Parse，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！
在对英文进行句子依存分析时，发现全网在结果解读与分析上内容较少，特此补充资料链接供大家参考。
关于句子依存分析的解释较好的文章：
https://geek.digiasset.org/pages/nlp/nlpinfo/nlp-dependency-parsing/
StandfordCoreNLP使用命令与结果：
from stanfordcorenlp import StanfordCoreNLP
nlp = StanfordCoreNLP('stanford-corenlp-full-2018-10-05')
line = 'Mobile communications contributed almost a quarter of our group revenue in 2000.'
ret = nlp.dependency_parse(line)
print(ret)结果输出为含多个tuple的列表：
[('ROOT', 0, 3), ('compound', 2, 1), ('nsubj', 3, 2), ('advmod', 6, 4), ('det', 6, 5), ('dobj', 3, 6), ('case', 10, 7), ('nmod:poss', 10, 8), ('compound', 10, 9), ('nmod', 6, 10), ('case', 12, 11), ('nmod', 3, 12), ('punct', 3, 13)]结果解读：
句子里的单词从数字1开始被编码，一直到句尾，元组里的数字代表单词的位置，数字的前后代表依存关系，前面的数字是head，后面的数字是child，代表后者依存于前者。
比如这句话加上标点符号一共有13个元素，所以（‘compound',2,1）说明Mobile communications 是一个复合词，mobile依存于communications。
更多关于dependency parsing的定义完整版参考官方网页：
Universal Dependencies
官方目录导航（持续更新中）
Universal Dependencies
如果想要绘制依存关系图，可以用线上工具，官方网页：
https://corenlp.run/
绘制结果默认为part-of-speech, NER, Basci Dependencies和Enhanced++ Dependencies, 可以根据需要自选可视化结果：
附录：
常用关于dependency parsing的Universal Dependencies速查：
abbrev: abbreviation modifier，缩写
acomp: adjectival complement，形容词的补充；
advcl : adverbial clause modifier，状语从句修饰词
advmod: adverbial modifier状语
agent: agent，代理，一般有by的时候会出现这个
amod: adjectival modifier形容词
appos: appositional modifier,同位词
attr: attributive，属性
aux: auxiliary，非主要动词和助词，如BE,HAVE SHOULD/COULD等到
auxpass: passive auxiliary 被动词
cc: coordination，并列关系，一般取第一个词
ccomp: clausal complement从句补充
complm: complementizer，引导从句的词好重聚中的主要动词
compound：复合词
conj : conjunct，连接两个并列的词。
cop: copula。系动词（如be,seem,appear等），（命题主词与谓词间的）连系
csubj : clausal subject，从主关系
csubjpass: clausal passive subject 主从被动关系
dep: dependent依赖关系
det: determiner决定词，如冠词等
dobj : direct object直接宾语
expl: expletive，主要是抓取there
infmod: infinitival modifier，动词不定式
iobj : indirect object，非直接宾语，也就是所以的间接宾语；
mark: marker，主要出现在有“that” or “whether”“because”, “when”,
mwe: multi-word expression，多个词的表示
neg: negation modifier否定词
nn: noun compound modifier名词组合形式
npadvmod: noun phrase as adverbial modifier名词作状语
nsubj : nominal subject，名词主语
nsubjpass: passive nominal subject，被动的名词主语
num: numeric modifier，数值修饰
number: element of compound number，组合数字
parataxis: parataxis: parataxis，并列关系
partmod: participial modifier动词形式的修饰
pcomp: prepositional complement，介词补充
pobj : object of a preposition，介词的宾语
poss: possession modifier，所有形式，所有格，所属
possessive: possessive modifier，这个表示所有者和那个’S的关系
preconj : preconjunct，常常是出现在 “either”, “both”, “neither”的情况下
predet: predeterminer，前缀决定，常常是表示所有
prep: prepositional modifier
prepc: prepositional clausal modifier
prt: phrasal verb particle，动词短语
punct: punctuation，这个很少见，但是保留下来了，结果当中不会出现这个
purpcl : purpose clause modifier，目的从句
quantmod: quantifier phrase modifier，数量短语
rcmod: relative clause modifier相关关系
ref : referent，指示物，指代
rel : relative
root: root，最重要的词，从它开始，根节点
tmod: temporal modifier
xcomp: open clausal complement
xsubj : controlling subject 掌控者
中心语为谓词
subj — 主语
nsubj — 名词性主语（nominal subject） （同步，建设）
top — 主题（topic） （是，建筑）
npsubj — 被动型主语（nominal passive subject），专指由“被”引导的被动句中的主语，一般是谓词语义上的受事 （称作，镍）
csubj — 从句主语（clausal subject），中文不存在
xsubj — x主语，一般是一个主语下面含多个从句 （完善，有些）
中心语为谓词或介词
obj — 宾语
dobj — 直接宾语 （颁布，文件）
iobj — 间接宾语（indirect object），基本不存在
range — 间接宾语为数量词，又称为与格 （成交，元）
pobj — 介词宾语 （根据，要求）
lobj — 时间介词 （来，近年）
中心语为谓词
comp — 补语
ccomp — 从句补语，一般由两个动词构成，中心语引导后一个动词所在的从句(IP) （出现，纳入）
xcomp — x从句补语（xclausal complement），不存在
acomp — 形容词补语（adjectival complement）
tcomp — 时间补语（temporal complement） （遇到，以前）
lccomp — 位置补语（localizer complement） （占，以上）
这篇关于StandfordCoreNLP 依存分析Dependency Parse的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
