一、Transition-based的依存解析方法
解析过程：首先设计一系列action, 其就是有方向带类型的边，接着从左向右依次解析句子中的每一个词，解析词的同时通过选择某一个action开始增量构建依存树, 直到句子中的词解析完．
优点：解析过程是线性的, operations步骤随句子长度线性增长
挑战：在解析的每一步都只是利用局部信息，会导致错误传播，性能比graph-based效果略差
它的主要思路是先把一个句子变成句法树，再变成dependency parser，这个方法有点舍近求远，但它的效果不错。它同样会定义一些操作，即在一个序列上不断做这些操作，直到结束，就能形成一棵树。主要有以下三种操作：
这个模型就是在序列中，插左括号或右括号的非典型性序列打标问题，deep learning在里面起的作用是，每一个左括号和右括号封闭的token，把它们表达成一个更高级的含义。
二、Graph-based的依存解析方法
解析过程：学习一个打分函数，针对一句话在所有可能的解析结果(解析的依存树)中执行全局的穷举搜索，得到一个打分最高的解析树．
优点：目前效果相比transition-based较好
挑战：搜索的过程速度很慢
这个模型是把之前构建数的问题变成距离计算的问题。它本质做的事情是建立一个矩阵，行和列都是这个句子里的token，每两个行列中的一个点表示a修饰b的概率或b修饰a的概率的一个得分，最后要形成树，我们就是在这个距离向量中找一棵最小生成树，生成出来的就是dependency parser。