Constituency Parsing
Constituency Parsing 就是：
找出一段 text span 作为 constituents
每一个 constituents 都有一个标签
- 对于每一个单词都是一个 constituent（标签为这个单词的词性）
- 相邻的 constituent 可以组成一个更大的 constituent
- 一句话的所有单词，从底向上，可以组成一棵树
Chart-based
Chart-based 方法实际上就是对每一个 span 进行两次分类：
- 放入二分类：判断是否是 constituent
- 放入多分类：constituent 属于哪一个标签
下图是 Chart-based 的结构，其中 Span Feature Extraction 与 Coreference Resolution 中的一样。
需要注意的是，对于 span 的选择可能会产生矛盾，比如两个重合的 span 都被判断出是 constituent，那么就无法组成一棵树。
解决方法就是，穷举出所有可能性的树，然后对每一棵树进行评分，选取评分最高的树。
Transition-based
Transition-based 中由三个部分组成：
- Stack：初始为空。
- Buffer：初始存放整个句子。
- Actions：包括三种操作
- NT (X)：创建一个带有 X 标签的 constituent
- SHIFT：将一个 token 从 Buffer 移动到 Stack 中
- REDUCE：结束一个 constituent
实际上，我们需要训练一个分类模型，用于输出 Actions。
Tree to Sequence
甚至，我们可以利用 Seq2seq Model，将语法树变为一个 Sequence，比如：
对树进行遍历，得到遍历序列，这个遍历序列就是 Sequence。需要注意的是，这个模型不需要输出单词（因为可能会改变输入的句子），可以用 XX 表示输入的一个单词。
Dependency Parsing
Constituency Parsing 考虑的是一个句子中，相邻单词的关系。
Dependency Parsing 考虑的是任意两个单词（不需要相邻）的关系，用箭头表示这种关系（标签为关系的类别），起始为 head，结束为 dependent。
Dependency Parsing就是将一句话变为有向图（Directed Graph，实际上也是一棵树），word 变为 node，关系变为 edge。
- 所有 word 只有一个入边（除去 ROOT）。
- 从每一个 word 到 ROOT 有唯一的一条路径。
核心方法就是：两个分类器，输入是两个 word。
- 判断左边是否指向右边。
- 判断属于哪一种关系。
