??依存句法分析的效果雖然沒有像分詞已脓、NER的效果來的好，但也有其使用價(jià)值袜漩，在日常的工作中绪爸，我們免不了要和其打交道。筆者這幾天一直在想如何分析依存句法分析的結(jié)果宙攻，一個(gè)重要的方面便是其可視化和它的圖分析奠货。
??我們使用的NLP工具為jieba和LTP，其中jieba用于分詞座掘，LTP用于詞性標(biāo)注和句法分析递惋，需要事件下載pos.model和parser.model文件。
??本文使用的示例句子為：
2018年7月26日溢陪，華為創(chuàng)始人任正非向5G極化碼（Polar碼）之父埃爾達(dá)爾教授舉行頒獎儀式萍虽，表彰其對于通信領(lǐng)域做出的貢獻(xiàn)。
??首先形真，讓我們來看一下沒有可視化效果之前的句法分析結(jié)果杉编。Python代碼如下:
# -*- coding: utf-8 -*-
import os
import jieba
from pyltp import Postagger, Parser
sent = '2018年7月26日，華為創(chuàng)始人任正非向5G極化碼（Polar碼）之父埃爾達(dá)爾教授舉行頒獎儀式，表彰其對于通信領(lǐng)域做出的貢獻(xiàn)邓馒。'
jieba.add_word('Polar碼')
jieba.add_word('5G極化碼')
jieba.add_word('埃爾達(dá)爾')
jieba.add_word('之父')
words = list(jieba.cut(sent))
print(words)
# 詞性標(biāo)注
pos_model_path = os.path.join(os.path.dirname(__file__), 'data/pos.model')
postagger = Postagger()
postagger.load(pos_model_path)
postags = postagger.postag(words)
# 依存句法分析
par_model_path = os.path.join(os.path.dirname(__file__), 'data/parser.model')
parser = Parser()
parser.load(par_model_path)
arcs = parser.parse(words, postags)
rely_id = [arc.head for arc in arcs] # 提取依存父節(jié)點(diǎn)id
relation = [arc.relation for arc in arcs] # 提取依存關(guān)系
heads = ['Root' if id == 0 else words[id-1] for id in rely_id] # 匹配依存父節(jié)點(diǎn)詞語
for i in range(len(words)):
print(relation[i] + '(' + words[i] + ', ' + heads[i] + ')')
輸出結(jié)果如下：
['2018', '年', '7', '月', '26', '日', '嘶朱，', '華為', '創(chuàng)始人', '任正非', '向', '5G極化碼', '（', 'Polar碼', '）', '之父', '埃爾達(dá)爾', '教授', '舉行', '頒獎儀式', '，', '表彰', '其', '對于', '通信', '領(lǐng)域', '做出', '的', '貢獻(xiàn)', '绒净。']
ATT(2018, 年)
ATT(年, 日)
ATT(7, 月)
ATT(月, 日)
ATT(26, 日)
ADV(日, 舉行)
WP(见咒，, 日)
ATT(華為, 創(chuàng)始人)
ATT(創(chuàng)始人, 任正非)
SBV(任正非, 舉行)
ADV(向, 舉行)
ATT(5G極化碼, 之父)
WP(（, Polar碼)
COO(Polar碼, 5G極化碼)
WP(）, Polar碼)
ATT(之父, 埃爾達(dá)爾)
ATT(埃爾達(dá)爾, 教授)
POB(教授, 向)
HED(舉行, Root)
VOB(頒獎儀式, 舉行)
WP(，, 舉行)
COO(表彰, 舉行)
ATT(其, 貢獻(xiàn))
ADV(對于, 做出)
ATT(通信, 領(lǐng)域)
POB(領(lǐng)域, 對于)
ATT(做出, 貢獻(xiàn))
RAD(的, 做出)
VOB(貢獻(xiàn), 表彰)
WP(挂疆。, 舉行)
我們得到了該句子的依存句法分析的結(jié)果改览，但是其可視化效果卻不好。
??我們使用Graphviz工具來得到上述依存句法分析的可視化結(jié)果缤言，代碼（接上述代碼）如下：
from graphviz import Digraph
g = Digraph('測試圖片')
g.node(name='Root')
for word in words:
g.node(name=word)
for i in range(len(words)):
if relation[i] not in ['HED']:
g.edge(words[i], heads[i], label=relation[i])
else:
if heads[i] == 'Root':
g.edge(words[i], 'Root', label=relation[i])
else:
g.edge(heads[i], 'Root', label=relation[i])
g.view()
得到的依存句法分析的可視化圖片如下：
在這張圖片中宝当，我們有了對依存句法分析結(jié)果的直觀感覺，效果也非常好胆萧，但是遺憾的是庆揩，我們并不能對上述可視化結(jié)果形成的圖（Graph）進(jìn)行圖分析，因?yàn)镚raphviz僅僅只是一個(gè)可視化工具跌穗。那么订晌，我們該用什么樣的工具來進(jìn)行圖分析呢？
??答案就是NetworkX蚌吸。以下是筆者對于NetworkX應(yīng)用于依存句法分析的可視化和圖分析的展示锈拨，其中圖分析展示了兩個(gè)節(jié)點(diǎn)之間的最短路徑。示例的Python代碼如下：
# 利用networkx繪制句法分析結(jié)果
import networkx as nx
import matplotlib.pyplot as plt
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['Arial Unicode MS'] # 指定默認(rèn)字體
G = nx.Graph() # 建立無向圖G
# 添加節(jié)點(diǎn)
for word in words:
G.add_node(word)
G.add_node('Root')
# 添加邊
for i in range(len(words)):
G.add_edge(words[i], heads[i])
source = '5G極化碼'
target1 = '任正非'
distance1 = nx.shortest_path_length(G, source=source, target=target1)
print("'%s'與'%s'在依存句法分析圖中的最短距離為: %s" % (source, target1, distance1))
target2 = '埃爾達(dá)爾'
distance2 = nx.shortest_path_length(G, source=source, target=target2)
print("'%s'與'%s'在依存句法分析圖中的最短距離為: %s" % (source, target2, distance2))
nx.draw(G, with_labels=True)
plt.savefig("undirected_graph.png")
得到的可視化圖片如下：
輸出的結(jié)果如下：
'5G極化碼'與'任正非'在依存句法分析圖中的最短距離為: 6
'5G極化碼'與'埃爾達(dá)爾'在依存句法分析圖中的最短距離為: 2
??本次到此結(jié)束羹唠，希望這篇簡短的文章能夠給讀者帶來一些啟發(fā)～
注意：不妨了解下筆者的微信公眾號： Python爬蟲與算法（微信號為：easy_web_scrape）奕枢， 歡迎大家關(guān)注~
