人类理解自然语言的方式有很多，但是绝大多数用的还是通过上下文来推断某些词的含义。现代自然语言处理也是基于这个方式来进行建模的
我们来看一个例子，如下
可以知道，in，large是修饰crate的，look是修饰in the crate的，in the kitchen是修饰crate的，by the door也是修饰crate的
语言中存在歧义现象，如下
这个句子可以理解为警察用刀杀了人，也可以理解为警察杀了持刀的人
还比如
这个句子人类一般都不会发生歧义了，但是其实是有两种解读方法的，除了一眼看上去的那种，还有一种是Students get first / hand job / experience.
那么我们人类的大脑是有非常好的辨识歧义的能力的，比如这里肯定就是后一种意思。对于模型来说，他也需要具备我们人类这种能力，而他则是通过概率来选择/理解最有可能的情况的
接下来介绍树库的概念。首先是一棵树，只有一个根节点，表示句子的中心词，如下
树库就是由这些树组成的库，有许多好处，如下
树库（Treebank）是一种带有句法结构标注的语料库，为自然语言处理（NLP）和语言学研究提供了重要支持。以下是其核心优势的具体解释及示例：
1. 复用劳动成果（Reusability of the labor）
树库的标注需要大量人工劳动，但一旦完成，即可被多次重复利用。研究者无需重复标注，可直接在不同项目中共享资源。
示例：英语的 Penn Treebank 是早期经典树库，被广泛用于句法分析、词性标注等任务，节省了后续研究的时间和成本。
2. 支持构建多种工具（Parsers, taggers, etc.）
基于树库的标注数据，可以训练或优化多种自然语言处理工具。
示例：
- 句法分析器：如 Stanford Parser 使用 Penn Treebank 训练，能够自动分析句子结构。
- 词性标注器：如 SpaCy 的部分模型依赖树库数据提升标注准确性。
3. 语言学研究的资源（Valuable resource for linguistics）
树库为语言学家提供了真实的语法结构数据，支持对语言现象的定量分析。
示例：通过分析树库中的疑问句标注，语言学家可以研究英语倒装结构的分布规律（如 "What did you see?" vs. "You saw what?"）。
4. 广泛的覆盖范围（Broad coverage）
树库通常包含多样化的语料（如新闻、对话、学术文本），而非局限于少量人工构造的例句。
示例：Universal Dependencies (UD) Treebanks 涵盖 100+ 种语言的多样化语料，包括社交媒体文本和正式文献。
5. 频率与分布信息（Frequencies and distribution）
树库能统计语法结构在实际使用中的频率，揭示语言规律。
示例：通过分析树库数据，可发现英语中被动语态在学术文本中的使用频率显著高于口语（如 "The experiment was conducted" vs. "Someone did the experiment"）。
6. 评估 NLP 系统（Evaluation of NLP systems）
树库作为“黄金标准”，可量化评估 NLP 工具的性能。判断模型是否能够像人类一样解析句子结构。
示例：句法分析器的准确率常通过在 Penn Treebank 上的测试结果衡量（如标注匹配率或依存关系准确率）。
树库的上述优势使其成为 NLP 和语言学研究的基石，既推动了技术发展，也深化了人类对语言本质的理解。
那么模型如何从树库中获取信息呢？有四种方法
- 第一种方法就是在树上一条边的两个端点是很相似的
- 第二种方法就是树上距离不远的点是很相似的
- 第三种方法就是依存（相似）关系基本上不会跨过动词
- 第四种方法就是，举个例子，the只会出现在名词前面，不会出现在名词后面
视频01:04:00的时候讲了如何构建解析器，但是看不懂，之后去看一下
不知道是不是翻译的问题，没怎么看懂。可以在B站搜索一下其他的课程看一下
