Grundlagen des Dependency Parsing

POS-Tags benennen die Aufgabe jedes Wortes, aber nicht, wie Wörter miteinander verbunden sind. Das Dependency Parsing zeigt, von welchem Wort ein anderes abhängt, und erstellt so eine Satzstruktur. 🔗

Ein Parser ordnet Wörter in einem Baum an. Ein Wort wird zur Wurzel, und jedes andere Wort hängt über eine beschriftete Verbindung daran.

Die root ist normalerweise das Hauptverb, das den Satz verankert. In The cat chased the mouse ist die Wurzel chased.

Jedes Wort hat einen head, also das Wort, an das es angehängt ist. Die daran angehängten Wörter sind seine Kindknoten und bilden die Äste des Baums.

Jede Verbindung hat eine Bezeichnung: die dependency relation. Ein Subjekt wird mit nsubj gekennzeichnet, ein direktes Objekt mit dobj.

Dasselbe Modell, das Wörter taggt, analysiert auch ihre Abhängigkeiten. Nach nlp() enthält jedes Token bereits seine Abhängigkeitsinformationen und kann direkt ausgewertet werden.

Verwenden Sie token.dep_ für die Beziehung und token.head für das Wort, an das das Token angehängt ist. Zusammen beschreiben sie die Position des Tokens im Baum.

Um herauszufinden, wer die Handlung ausführt, suchen Sie das Token, dessen dep_ nsubj entspricht. Dieses Wort ist das grammatische Subjekt des Verbs.

Sie wissen nicht, was eine Bezeichnung bedeutet? Übergeben Sie sie an spacy.explain(), um eine verständliche Beschreibung zu erhalten – genau wie bei den POS-Tags.

Stellen Sie die Analyse mit displacy dar. Setzen Sie den Stil auf dep, damit beschriftete Pfeile von jedem Kopf zu seinen Kindknoten gezeichnet werden.

Abhängigkeiten erschließen die tatsächliche Bedeutung, etwa indem sie eine Handlung mit ihrem Ausführenden und ihrem Ziel verbinden. Diese structure bildet die Grundlage für Extraktion, Suche und Fragebeantwortung.

Sie haben Sätze als Bäume aus heads und Kindknoten betrachtet, dep_ in spaCy gelesen und die Analyse mit displacy dargestellt. Jetzt können Sie nachvollziehen, wie Wörter miteinander in Beziehung stehen. 🎉