句法语义分析的作用：
很多应用需要考虑词语之间的组合关系，那么句法语义分析就很好的刻画了这种关系。
其研究点：按照某种文法规则将句子从词语的序列形式转化为图结构。（通常为树结构）
刻画了句子内部的句法语义关系，（如主谓宾，施事受事等）
所以对于句法语义分析来讲：
其核心要素就是文法，数据，算法
文法—句子的某种分析结构或者说规则，从最开始的短语结构，到句子依存到通用依存到语义依存。
短语结构：动词短语、名词短语等
句法依存：主谓宾等句子成分
通用句法依存：针对不同语言的标注不一样制定的一个规则，直接标注实词之间的关系。
语义依存：标注的实施者和受施者
数据—理解比较直观
算法—基于图的模型，基于转移的方法，深度学习的方法
句法依存的作用：
作为抽取规则：
eg.根据句法规则抽取评价搭配，<评价对象，评价表达>
当然直接的这种分析往往不会太准确，尤其是对于一些长句子比较复杂。所以，应当使用一些句子压缩的方法，eg.抽取掉一些口语化的表达等。
作为输入特征，语义角色标注，关系抽取：
句法的路径特征很重要但是往往很稀疏，所以一般使用一些LSTM的方法去进行编码表示。
作为输入结构：
在nlp中，用的比价多的网络结构是rnn，但是rnn是一个词一个词的读入句子，不能很好的刻画句子中词语之间的关系，所以就出现了递归神经网络，和tree_lstm的网络结构，可以更好的刻画句子中词语之间的关系。可以用依存分析的结果作为网络的输入结构。
在现在的深度学习中，依存句法分析还有什么重要的作用：
对于数据量比较够的应用，模型见的的case比较多，可能就不需要句法语义分析的结果，因为句法语义分析的结果本身就不是%100准确，这样反而会引入一些噪音。
但是，对于一些数据量不够大的应用，尤其是分析长距离的词之间的关系的时候，句法分析还是很有用的，它相当于拉近了词对之间的距离。
