概述
解析器根据带注释的树库进行评估；分数取决于模型、测试划分和评估惯例。
深入探讨
成分分析根据短语结构语法分析句子，将单词组织成嵌套成分，例如名词短语 (NP)、动词短语 (VP) 和介词短语 (PP)。输出是一棵树，其叶子是单词，内部节点是短语标签，全部以单个 S（句子）节点为根。例如，“猫坐在垫子上”分为 NP（“猫”）和 VP（“坐在垫子上”），其本身包含动词和 PP。这与依存分析不同，依存分析将单词直接相互链接，而不是将它们分组为短语。经典方法使用 CYK 算法和概率上下文无关语法；现代系统使用在 Penn Treebank 等树库上训练的神经网络。 Stern 等人的基于最小跨度的神经选区解析器独立地对连续的单词跨度和短语标签进行评分，然后构建具有结构化推理的树。该论文报告了其 Penn Treebank 设置中的 91.79 标记括号 F1；分数取决于评估协议和模型配置。
现实世界的实施
说明性：语言学习工具可以显示名词和动词短语边界，供学习者检查。
说明性：研究人员可以比较两个解析器模型预测的短语结构。
说明性：当下游文本分析管道的任务受益于短语跨度时，可以使用短语跨度。
说明性：语法界面可以在句子旁边显示解析树，并由人工检查错误。
选区解析的未来
神经选区解析继续在树库（例如 Penn Treebank）上使用标记括号 F1 和相关指标进行评估。报告模型、数据分割和评分协议以及任何准确度数字；所引用的论文并不能证明单一普遍的“95% 以上”基准声明的合理性。
付诸实践
为什么这很重要
- 速度与规模. 语言工作流程可以在不牺牲一致性的情况下更快地移动。
- 交通与覆盖范围. 它扩展了跨语言和沟通方式的访问。
- 更清晰的判决. 团队可以花更多时间进行判断，而自动化则可以处理重复。
留意
- 幻觉的事实可以悄悄地进入报告、支持流程或研究成果。
- 及时的敏感性可能会在类似的请求中产生不一致的结果。
- 如果访问控制薄弱，敏感文本数据可能会暴露。
后续步骤
- 在推出之前定义输出格式、语气和质量标准。
- 当准确性很重要时，请使用可信来源进行地面响应。
- 为高风险输出保留人工审查检查点。
- 跟踪故障模式并定期重新训练提示或工作流程。
不断探索
常见问题
什么是选区解析？
选区解析在句子上构建嵌套的短语结构树。解析器根据带注释的树库进行评估；分数取决于模型、测试划分和评估惯例。
选区句法分析主要为句子生成什么？
成分分析将单词分组为按短语结构树排列的嵌套成分（NP、VP、PP）。
选区解析与依存解析有何不同？
选区解析构建嵌套的短语分组，而依存解析则在各个单词之间绘制直接的头依赖链接。
哪种经典算法与使用上下文无关语法的选区解析相关？
CYK 算法是一种动态编程方法，用于使用（概率）上下文无关语法来解析句子。
典型的选区解析树的根是什么？
整个树以代表完整句子的 S 节点为根，短语在其下方分支。
哪个数据集著名地用于训练和评估英语选区解析器？
Penn Treebank 提供手工注释的选区树，是英语解析的标准基准。