提取中文句子主谓宾的Java实现

在自然语境中，一个意思可以有多种表现。比如“我喜欢你”“我喜欢隔壁班的你”“你被我偷偷的喜欢着”都表达了“我喜欢你”。搜索引擎如果机械地按照词频算法检索的话，会误解为“我喜欢隔壁班”“你喜欢我”，毕竟词频一样，顺序也差不多。

利用依存关系可以提取句子的主要成分(也就是小学和公务员考试中出现的“提取主干”)，可以实现语义上的智能理解。在中文里，我的感受是，大部分句子都有主谓宾，很少缺主语或宾语，三个全缺的几乎没有。所以我猜可以利用主谓宾短语来作为句子的主干，检索的时候主干匹配的话则给予更高的分数，或者用于智能推荐。

开源项目

收到了开源的请求，于是将其开源在Github上：/hankcs/MainPartExtractor

请使用Maven编译，会自动下载依赖jar。

对斯坦福的代码失去兴趣，不再维护！

事实上，句法分析和语义理解是个深刻的命题，并不是我这一两个Class可以解决清楚的。而且目前中文句法分析的准确率只有80%左右，在真实语境中的准确率更低。所以能否将其用于生产环境，还请各位读者自己衡量。

本项目的句法分析依赖于Stanford Parser实现，一般来说，大学做的东西都是服务于论文。只要论文上的准确率高出一两个百分点，牺牲再多的性能，再多的可读性都无所谓。我认为，真正要将语义分析导入商用应用，现在还为时过早，这篇文章和这个项目可做尝鲜。

测试用例

String[]testCaseArray={"我一直很喜欢你","你被我喜欢","美丽又善良的你被卑微的我深深的喜欢着……","只有自信的程序员才能把握未来","主干识别可以提高检索系统的智能","这个项目的作者是hankcs","hankcs是一个无门无派的浪人","搜索hankcs可以找到我的博客","静安区体育局部门决算情况说明",};

这里仅仅以一个被字句“你被我喜欢”为例说明。注意句子应当是单句，不含逗号等分句标点。

分词

分词没什么可说的，停用词也不用费心。

分词结果为：你被我喜欢

句法树（依存关系）分析

这里可以利用开源项目Stanford Parser，得到如下结果：

句法树:(ROOT[28.316](IP(NP(PN你))(VP(LB被)(IP(NP(PN我))(VP(VV喜欢))))))

画成图是这个样子：

同时得到依存关系：

依存关系：[nsubjpass(喜欢-4,你-1),pass(喜欢-4,被-2),nsubj(喜欢-4,我-3),root(ROOT-0,喜欢-4)]

其中root表示中心词，nsubjpass表示被动的名词主语，nsubj表示名词主语。更加详细的标签含义可以查看附录。有了依存关系之后，就可以判断谁是主语谁是宾语了。

测试结果：

附录：

ROOT：要处理文本的语句

IP：简单从句

NP：名词短语

VP：动词短语

PU：断句符，通常是句号、问号、感叹号等标点符号

LCP：方位词短语

PP：介词短语

CP：由‘的’构成的表示修饰性关系的短语

DNP：由‘的’构成的表示所属关系的短语

ADVP：副词短语

ADJP：形容词短语

DP：限定词短语

QP：量词短语

NN：常用名词

NR：固有名词

NT：时间名词

PN：代词

VV：动词

VC：是

CC：表示连词

VE：有

VA：表语形容词

AS：内容标记（如：了）

VRD：动补复合词

CD: 表示基数词

DT: determiner 表示限定词

EX: existential there 存在句

FW: foreign word 外来词

IN: preposition or conjunction, subordinating 介词或从属连词

JJ: adjective or numeral, ordinal 形容词或序数词

JJR: adjective, comparative 形容词比较级

JJS: adjective, superlative 形容词最高级

LS: list item marker 列表标识

MD: modal auxiliary 情态助动词

PDT: pre-determiner 前位限定词

POS: genitive marker 所有格标记

PRP: pronoun, personal 人称代词

RB: adverb 副词

RBR: adverb, comparative 副词比较级

RBS: adverb, superlative 副词最高级

RP: particle 小品词

SYM: symbol 符号

TO:”to” as preposition or infinitive marker 作为介词或不定式标记

WDT: WH-determiner WH限定词

WP: WH-pronoun WH代词

WP$: WH-pronoun, possessive WH所有格代词

WRB:Wh-adverb WH副词

关系表示

abbrev: abbreviation modifier，缩写

acomp: adjectival complement，形容词的补充；

advcl : adverbial clause modifier，状语从句修饰词

advmod: adverbial modifier状语

agent: agent，代理，一般有by的时候会出现这个

amod: adjectival modifier形容词

appos: appositional modifier,同位词

attr: attributive，属性

aux: auxiliary，非主要动词和助词，如BE,HAVE SHOULD/COULD等到

auxpass: passive auxiliary 被动词

cc: coordination，并列关系，一般取第一个词

ccomp: clausal complement从句补充

complm: complementizer，引导从句的词好重聚中的主要动词

conj : conjunct，连接两个并列的词。

cop: copula。系动词（如be,seem,appear等），（命题主词与谓词间的）连系

csubj : clausal subject，从主关系

csubjpass: clausal passive subject 主从被动关系

dep: dependent依赖关系

det: determiner决定词，如冠词等

dobj : direct object直接宾语

expl: expletive，主要是抓取there

infmod: infinitival modifier，动词不定式

iobj : indirect object，非直接宾语，也就是所以的间接宾语；

mark: marker，主要出现在有“that” or “whether”“because”, “when”,

mwe: multi-word expression，多个词的表示

neg: negation modifier否定词

nn: noun compound modifier名词组合形式

npadvmod: noun phrase as adverbial modifier名词作状语

nsubj : nominal subject，名词主语

nsubjpass: passive nominal subject，被动的名词主语

num: numeric modifier，数值修饰

number: element of compound number，组合数字

parataxis: parataxis: parataxis，并列关系

partmod: participial modifier动词形式的修饰

pcomp: prepositional complement，介词补充

pobj : object of a preposition，介词的宾语

poss: possession modifier，所有形式，所有格，所属

possessive: possessive modifier，这个表示所有者和那个’S的关系

preconj : preconjunct，常常是出现在 “either”, “both”, “neither”的情况下

predet: predeterminer，前缀决定，常常是表示所有

prep: prepositional modifier

prepc: prepositional clausal modifier

prt: phrasal verb particle，动词短语

punct: punctuation，这个很少见，但是保留下来了，结果当中不会出现这个

purpcl : purpose clause modifier，目的从句

quantmod: quantifier phrase modifier，数量短语

rcmod: relative clause modifier相关关系

ref : referent，指示物，指代

rel : relative

root: root，最重要的词，从它开始，根节点

tmod: temporal modifier

xcomp: open clausal complement

xsubj : controlling subject 掌控者

中心语为谓词

subj — 主语

nsubj — 名词性主语（nominal subject） （同步，建设）

top — 主题（topic） （是，建筑）

npsubj — 被动型主语（nominal passive subject），专指由“被”引导的被动句中的主语，一般是谓词语义上的受事 （称作，镍）

csubj — 从句主语（clausal subject），中文不存在

xsubj — x主语，一般是一个主语下面含多个从句 （完善，有些）

中心语为谓词或介词

obj — 宾语

dobj — 直接宾语 （颁布，文件）

iobj — 间接宾语（indirect object），基本不存在

range — 间接宾语为数量词，又称为与格 （成交，元）

pobj — 介词宾语 （根据，要求）

lobj — 时间介词 （来，近年）

中心语为谓词

comp — 补语

ccomp — 从句补语，一般由两个动词构成，中心语引导后一个动词所在的从句(IP) （出现，纳入）

xcomp — x从句补语（xclausal complement），不存在

acomp — 形容词补语（adjectival complement）

tcomp — 时间补语（temporal complement） （遇到，以前）

lccomp — 位置补语（localizer complement） （占，以上）

— 结果补语（resultative complement）

中心语为名词

mod — 修饰语（modifier）

pass — 被动修饰（passive）

tmod — 时间修饰（temporal modifier）

rcmod — 关系从句修饰（relative clause modifier） （问题，遇到）

numod — 数量修饰（numeric modifier） （规定，若干）

ornmod — 序数修饰（numeric modifier）

clf — 类别修饰（classifier modifier） （文件，件）

nmod — 复合名词修饰（noun compound modifier）（浦东，上海）

amod — 形容词修饰（adjetive modifier） （情况，新）

advmod — 副词修饰（adverbial modifier） （做到，基本）

vmod — 动词修饰（verb modifier，participle modifier）

prnmod — 插入词修饰（parenthetical modifier）

neg — 不定修饰（negative modifier） (遇到，不)

det — 限定词修饰（determiner modifier） （活动，这些）

possm — 所属标记（possessive marker），NP

poss — 所属修饰（possessive modifier），NP

dvpm — DVP标记（dvp marker），DVP （简单，的）

dvpmod — DVP修饰（dvp modifier），DVP （采取，简单）

assm — 关联标记（associative marker），DNP （开发，的）

assmod — 关联修饰（associative modifier），NP|QP （教训，特区）

prep — 介词修饰（prepositional modifier） NP|VP|IP（采取，对）

clmod — 从句修饰（clause modifier） （因为，开始）

plmod — 介词性地点修饰（prepositional localizer modifier） （在，上）

asp — 时态标词（aspect marker） （做到，了）

partmod– 分词修饰（participial modifier） 不存在

etc — 等关系（etc） （办法，等）

中心语为实词

conj — 联合(conjunct)

cop — 系动(copula) 双指助动词？？？？

cc — 连接(coordination)，指中心词与连词 （开发，与）

其它

attr — 属性关系 （是，工程）

cordmod– 并列联合动词（coordinated verb compound） （颁布，实行）

mmod — 情态动词（modal verb） （得到，能）

ba — 把字关系

tclaus — 时间从句 （以后，积累）

— semantic dependent

cpm — 补语化成分（complementizer），一般指“的”引导的CP （振兴，的）

Reference

http://nlp.stanford.edu/nlp/javadoc/javanlp/overview-summary.html

/cuixianpeng/article/details/16864785

/tanzhangwen/article/details/8262049