Les bases de l’analyse en dépendances
Voir comment les mots se relient dans une phrase
Les bases de l’analyse en dépendances est une leçon NLP Academy gratuite sur CoddyKit. Ceci est la leçon 4 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage NLP Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours NLP Academy comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Beyond Single Tags
POS tags name each word's job, but not how words connect. Dependency parsing reveals which word depends on which, building a sentence map. 🔗
Sentences as Trees
A parser arranges words into a tree. One word becomes the root, and every other word hangs off it through a labeled link.
The Root Verb
The root is usually the main verb that anchors the sentence. In The cat chased the mouse, the root is chased.
Heads and Children
Every word has a head, the word it attaches to. The words attached to it are its children, forming the branches of the tree.
Read the Relation
Each link has a label, the dependency relation. A subject is tagged nsubj, while a direct object is tagged dobj.
spaCy Parses Free
The same model that tags words also parses them. After nlp(), every token already carries its dependency information, ready to read.
doc = nlp("The cat chased the mouse")Read dep_ and head
Use token.dep_ for the relation and token.head for the word it attaches to. Together they describe the token's place in the tree.
for t in doc:
print(t.text, t.dep_, t.head.text)Find the Subject
To get who does the action, look for the token whose dep_ equals nsubj. That word is the grammatical subject of the verb.
subj = [t.text for t in doc if t.dep_ == "nsubj"]Explain a Relation
Unsure what a label means? Pass it to spacy.explain() and get a clear description, just like you did for POS tags.
print(spacy.explain("dobj"))Visualize the Tree
Render the parse with displacy. Set the style to dep and it draws labeled arrows from each head to its children.
from spacy import displacy
displacy.render(doc, style="dep")Why Parsing Matters
Dependencies unlock real meaning, like linking an action to its actor and target. This structure powers extraction, search, and question answering.
Quick Check
Recall how subjects are marked in a parse.
Recap
You saw sentences as trees of heads and children, read dep_ in spaCy, and drew the parse with displacy. Now you can map how words relate. 🎉
Questions Fréquemment Posées
La leçon « Les bases de l’analyse en dépendances » est-elle gratuite ?
Oui — le texte complet de « Les bases de l’analyse en dépendances » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours NLP Academy, passe à CoddyKit PRO. Le cours NLP Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Les bases de l’analyse en dépendances » ?
Voir comment les mots se relient dans une phrase Tu pratiques NLP Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer NLP Academy ?
Aucune expérience préalable n'est requise. NLP Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 4 sur 4.
Combien de temps prend la leçon « Les bases de l’analyse en dépendances » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon NLP Academy ?
Oui. Chaque leçon NLP Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Noms, verbes et importance des étiquettes
- Étiqueter les mots avec spaCy
- Extraire des expressions selon un motif d’étiquettes
- Les bases de l’analyse en dépendances