Simplified and Precise Dependency Parsing with bidirectional LSTM-based feature representations

针对句子s，首先将其进行分词处理，得到n个词语wi，每个词语wi对应一个词性ti，并获取词语对应的词向量e(wi)以及词性对应的词性向量e(ti)，将两者进行拼接操作，从而生成新的向量xi=concat(e(wi),e(ti))。

BILSTM模型通过处理输入序列x_1:n,i，输出对应的BILSTM向量vi=BILSTM(x_1:n,i)=concat(RNN_F(x_1:i),RNN_R(x_n:i))。

随后，选取一部分BILSTM向量vi进行拼接，以构建特征向量F。该特征向量F的构成实际上依赖于句法分析过程，在后续关于句法分析的讨论中将进一步解析特征向量的具体结构。一旦获得特征向量F，即可将其作为输入送入传统的句法分析网络中。例如，可以通过引入一个非线性变换函数，如多层感知机（MLP）网络，对每个句法标记进行评分计算：

在采用基于BILSTM的特征向量基础上，我们还引入了常规的句法分析技