依存句法分析的效果虽然没有像分词、NER的效果来的好，但也有其使用价值，在日常的工作中，我们免不了要和其打交道。笔者这几天一直在想如何分析依存句法分析的结果，一个重要的方面便是其可视化和它的图分析。
  我们使用的NLP工具为jieba和LTP，其中jieba用于分词，LTP用于词性标注和句法分析，需要事件下载pos.model和parser.model文件。
  本文使用的示例句子为：

2018年7月26日，华为创始人任正非向5G极化码（Polar码）之父埃尔达尔教授举行颁奖仪式，表彰其对于通信领域做出的贡献。

  首先，让我们来看一下没有可视化效果之前的句法分析结果。Python代码如下:

# -*- coding: utf-8 -*-

import os
import jieba
from pyltp import  Postagger, Parser

sent = \'2018年7月26日，华为创始人任正非向5G极化码（Polar码）之父埃尔达尔教授举行颁奖仪式，表彰其对于通信领域做出的贡献。\'

jieba.add_word(\'Polar码\')
jieba.add_word(\'5G极化码\')
jieba.add_word(\'埃尔达尔\')
jieba.add_word(\'之父\')
words = list(jieba.cut(sent))

print(words)

# 词性标注
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]  # 提取依存父节点id
relation = [arc.relation for arc in arcs]  # 提取依存关系
heads = [\'Root\' if id == 0 else words[id-1] for id in rely_id]  # 匹配依存父节点词语

for i in range(len(words)):
    print(relation[i] + \'(\' + words[i] + \', \' + heads[i] + \')\')

输出结果如下：

[\'2018\', \'年\', \'7\', \'月\', \'26\', \'日\', \'，\', \'华为\', \'创始人\', \'任正非\', \'向\', \'5G极化码\', \'（\', \'Polar码\', \'）\', \'之父\', \'埃尔达尔\', \'教授\', \'举行\', \'颁奖仪式\', \'，\', \'表彰\', \'其\', \'对于\', \'通信\', \'领域\', \'做出\', \'的\', \'贡献\', \'。\']
ATT(2018, 年)
ATT(年, 日)
ATT(7, 月)
ATT(月, 日)
ATT(26, 日)
ADV(日, 举行)
WP(，, 日)
ATT(华为, 创始人)
ATT(创始人, 任正非)
SBV(任正非, 举行)
ADV(向, 举行)
ATT(5G极化码, 之父)
WP(（, Polar码)
COO(Polar码, 5G极化码)
WP(）, Polar码)
ATT(之父, 埃尔达尔)
ATT(埃尔达尔, 教授)
POB(教授, 向)
HED(举行, Root)
VOB(颁奖仪式, 举行)
WP(，, 举行)
COO(表彰, 举行)
ATT(其, 贡献)
ADV(对于, 做出)
ATT(通信, 领域)
POB(领域, 对于)
ATT(做出, 贡献)
RAD(的, 做出)
VOB(贡献, 表彰)
WP(。, 举行)

我们得到了该句子的依存句法分析的结果，但是其可视化效果却不好。
  我们使用Graphviz工具来得到上述依存句法分析的可视化结果，代码（接上述代码）如下：

from graphviz import Digraph

g = Digraph(\'测试图片\')

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视化图片如下：

在这张图片中，我们有了对依存句法分析结果的直观感觉，效果也非常好，但是遗憾的是，我们并不能对上述可视化结果形成的图（Graph）进行图分析，因为Graphviz仅仅只是一个可视化工具。那么，我们该用什么样的工具来进行图分析呢？
  答案就是NetworkX。以下是笔者对于NetworkX应用于依存句法分析的可视化和图分析的展示，其中图分析展示了两个节点之间的最短路径。示例的Python代码如下：

# 利用networkx绘制句法分析结果
import networkx as nx
import matplotlib.pyplot as plt
from pylab import mpl

mpl.rcParams[\'font.sans-serif\'] = [\'Arial Unicode MS\']  # 指定默认字体


G = nx.Graph()  # 建立无向图G

# 添加节点
for word in words:
    G.add_node(word)

G.add_node(\'Root\')

# 添加边
for i in range(len(words)):
    G.add_edge(words[i], heads[i])

source = \'5G极化码\'
target1 = \'任正非\'
distance1 = nx.shortest_path_length(G, source=source, target=target1)
print("\'%s\'与\'%s\'在依存句法分析图中的最短距离为:  %s" % (source, target1, distance1))

target2 = \'埃尔达尔\'
distance2 = nx.shortest_path_length(G, source=source, target=target2)
print("\'%s\'与\'%s\'在依存句法分析图中的最短距离为:  %s" % (source, target2, distance2))

nx.draw(G, with_labels=True)
plt.savefig("undirected_graph.png")

得到的可视化图片如下：

输出的结果如下：

\'5G极化码\'与\'任正非\'在依存句法分析图中的最短距离为:  6
\'5G极化码\'与\'埃尔达尔\'在依存句法分析图中的最短距离为:  2

  本次到此结束，希望这篇简短的文章能够给读者带来一些启发～

注意：不妨了解下笔者的微信公众号： Python爬虫与算法（微信号为：easy_web_scrape）， 欢迎大家关注~