StanfordNLP，CoreNLP，spaCy-不同的依赖关系图

我试图使用依赖关系图上定义的简单规则/模式从句子中提取非常基本的信息（例如，三元组，如主语->谓语->宾语）。我开始使用它，因为它很容易设置和使用GPU以获得更好的性能。然而，我注意到，对于某些句子，生成的依赖关系图看起来不像我预期的那样——尽管我不是专家。因此，我尝试了另外两种解决方案：和（我知道这些方案是由不同的团队维护的？）

例如，“汤姆让山姆相信爱丽丝得了癌症。”我已经打印了这三种方法的依赖关系。CoreNLP和spaCy产生相同的依赖关系，并且它们不同于StanfordNLP。因此，我倾向于切换到CoreNLP和spaCy（另一个优势是，它们随NER一起开箱即用）

有没有人有更多的经验或反馈，这将有助于今后的发展？我并不期望CoreNLP和spaCy总是在相同的依赖关系图中产生，但在示例句子中，将

Sam

视为

obj

，与作为

nsubj

（CoreNLP，spaCy）相比，StandfordNLP所做的事情似乎是一个显著的差异

Format:
token   dependency_tag   parent_token

StanfordNLP
Tom     nsubj   made
made    ROOT    ROOT
Sam     obj     made
believe ccomp   made
that    mark    has
Alice   nsubj   has
has     ccomp   believe
cancer  obj     has
.       punct   made

CoreNLP
Tom     nsubj   made
made    ROOT    ROOT
Sam     nsubj   believe
believe ccomp   made
that    mark    has
Alice   nsubj   has
has     ccomp   believe
cancer  dobj    has
.       punct   made

spaCy
Tom     nsubj   made
made    ROOT    ROOT
Sam     nsubj   believe
believe ccomp   made
that    mark    has
Alice   nsubj   has
has     ccomp   believe
cancer  dobj    has
.       punct   made

---

不知道如何回答您的问题，但我建议您仔细阅读斯坦福CoreNLP的文档：

在包中有几个语法分析器和依赖项分析器，您可以使用它们。只要看看语法分析，就可以选择检索k-best分析，如果您处理对它们的依赖关系，则很可能会得到每个语法分析的不同依赖关系

---

这与解析器中的不准确和自然语言中的歧义有关。

不确定如何解决您的问题，但我建议您仔细阅读斯坦福CoreNLP的文档：

在包中有几个语法分析器和依赖项分析器，您可以使用它们。只要看看语法分析，就可以选择检索k-best分析，如果您处理对它们的依赖关系，则很可能会得到每个语法分析的不同依赖关系

这与解析器中的不准确和自然语言中的歧义有关