在NLP的分类过程中，解析树通常使用哪些功能？

我正在探索不同类型的解析树结构。两种广为人知的解析树结构是：a）基于选区的解析树和b）基于依赖关系的解析树结构。

我可以使用Stanford NLP包生成两种类型的解析树结构。但是，我不确定如何将这些树结构用于分类任务。

例如，如果我想进行情感分析并将文本分类为肯定和否定类别，那么对于我的分类任务，我可以从解析树结构中得出哪些特征？

通过使用解析树，您可以将句子分为多个部分。假设在情感分析示例中，您可以使用这些部分为每个部分分配正面/负面情绪，然后获取这些部分的累积影响。

此图像将帮助您了解更多。前半部分具有消极情绪（主要是由于单词“干燥”），但由于有单词“ but”和“ enjoyed”一词的使用，因此消极情绪变成了积极情绪。

至于使用它们，您可以简单地生成句子中各个单词的单词矢量表示，并使用神经元代替父节点。每个神经元都应通过权重连接到另一个神经元。所有叶节点将是句子中单词的单词向量表示。顶级父神经元（在这种情况下，顶级蓝色+符号）应根据该句子产生正/负情绪。该树结构可以有监督的方式进行训练。

阅读本文以了解更多信息。

图片来源：cs224.stanford.edu

我认为可以使用依赖项来提高您的情绪分类器的准确性。请考虑以下示例：

E1：Bill不是科学家

并假定令牌“科学家”在特定领域内具有积极的情绪。

了解依赖关系（不是科学家），我们可以看到上面的示例具有负面情绪。在不知道这种依赖性的情况下，我们可能会将句子分类为肯定的。

可以以相同的方式使用其他类型的依赖项来提高分类器的准确性。