最近两周又做了几次实验：

之前介绍过，依存句法分析包括三个问题：feature selection, inference, learning

feature selection我是在别人的基础上引入了两个新的特征：一个是基于WordNet的特征；一个是基于VerbNet 特征

inference现在已经有现成的框架，理论基础非常好。使用的是对偶分解，把一个复杂难求解的问题拆分为多个可求解的小问题，这些小问题之间存在一些约束条件（约束条件使得子问题的重叠部分的结果一致）。

基本上使用的是原来的框架，最多也就是使用一些不同的子问题，但是这都是很细小的工作

learning本来是自己想要改进的工作，之前的论文中(与对偶分解相关的论文)使用的参数学习方法都是averaged perceptron。后来发现这个算法其实是结构化SVM(structural SVM)的一个特例，由此想到把结构化SVM领域最好的方法（也就是2013 ICML的一篇论文中的想法）应用过来。。。但是效果并不如人意。。。

接下来的工作准备从以下入手：

（1）联系LDC，想办法取得标准的数据集。同时尝试与别的科研机构合作，也是为了取得标准数据集

（2）尝试不同的inference算法，还是在对偶分解的框架内

（3）进行错误分析，找出容易出现错误的地方。优化模型。