句法标注的处理目标是对语料文本进行句法分析和标注，通过深加工形成树库（treebank）语料。20 世纪80 年代末90 年代初美国宾夕法尼亚大（Pennsylvania University）建立起了第一个大规模的树库——宾夕法尼亚大学树库（The Penn Treebank），紧接着英国建立了兰卡斯特大学树库（Lancaster-Leeds）。目前许多国家纷纷开始建立起自己语言的树库，较大规模的有德国NEGRA 树库TIGER 树库、捷克依存树库等；汉语的树库有美国宾夕法尼亚大学汉语树库和中国台湾“中央研究院”Sinica 汉语树库等。中国大陆在近十年内也构建了几个大型汉语树库，如北京大学汉语树库、清华汉语树库（Tsinghua Chinese Treebank 1.0，简称TCT）、国家语委现代汉语树库以及其他的小树库。
美国的宾夕法尼亚大学树库的标注体系经历了一个从简单到复杂的不断进化发展过程。宾夕法尼亚大学树库最初版本（PTB-1）采用了骨架分析（Skelton Parsing） 思想，形成比较扁平的句法结构树。该标注体系标注英语的8 种短语（即形容词短语、副词短语、名词短语、前置词短语、谓词短语、wh- 副词短语、wh- 名词短语、wh- 前置词短语）、2 种陈述句（即简单陈述句和主语-助谓词倒置的陈述句）、从属句、wh- 直接疑问句、一般直接疑问句的次成分、不明类别以及4 种零形式成分［即不定式或祈使句隐含的主语、从属句的零that 变体、移位成分留下的语迹（trace）和可以用前置词解释的位置，Marcus et al. 1993］。
兰卡斯特的语法标注源自于桑普森（Sampson）对兰卡斯特大学树库的手工分析。这一标注体系使用详细的括号标识系统。比如它区分单数和复数名词短语。第二阶段（即句法标注，词类标注往往被认为是语法标注的第一阶段）是针对兰卡斯特剖析语料所采用的体系（首先由1983 ～ 1986 年研制的基于概率的解析器进行标注，然后进行手工校正），它使用的是简化了的成分集（Garside et al. 1992）。目前，大学计算机语料库研究中心（University Center for Computer Corpus Research on language，简称UCREL）用的是被称为骨架分析（Skeleton Parsing）的技术，它标注的成分包括：6 种短语［即名词短语、谓词短语、述谓性形容词短语、表时（temporal）状语性名词短语、非表时状语性名词短语、前置词短语］、7 种语句（即状语从句、比较从句、名词从句、关系从句、-ing 从句、不定式从句、过去分词从句）、句子（sentences，包括引语、并列句等）、属格和并列成分。此外，还包括没有标识的成分和并列成分。
尽管宾夕法尼亚大学树库和兰卡斯特大学树库都采用的是骨架分析的方法，但是通过对比可以发现它们标注的成分除名词短语、动词短语、形容词短语和前置词短语（采用的标识不同）之外，其他都不一样。宾夕法尼亚大学树库的短语分类多于兰卡斯特大学树库，但是从句的分类较少。此外，宾夕法尼亚大学树库除了标注了短语和句子两个层面外，还添加了功能标记。也就是说，宾夕法尼亚大学树库的标识集相对要全面一些。
在德国首先建立起来的树库是NEGRA 语料库（Skut et al. 1998；Brants et al. 1999），它包含的主要是经过句法加以注释的新闻文本。由于其规模有限（大约有20,000 个标注的句子），因此就创建了TIGER 树库，目标是建立规模最大、标注最全面的德语树库。TIGER树库的标注格式和标注体系以NEGRA 语料库为基础，但是在规模上和标注的细节上都超过了NEGRA 语料库（Brants et al. 2002）。TIGER树库中每一个句子的语言标注由不同的层面来体现：词类信息体现在终端节点（在词的层面），非终端节点标注短语范畴，而树线则体现句法功能。此外，在词的层面还有辅助标注，便于说明词目和形态的相关信息。在NEGRA 语料库中有关词目和形态的信息并没有标注出来，这是TIGER 树库标注体系中的新特点（Brants et al. 2002）。为了降低黏着歧义，TIGER 树库的句法结构非常扁平、简单，比如论元和附语的差异不是体现在成分结构上，而是通过句法功能得以实现。除标注形态和词目之外，TIGER 语料库增加了另一个标注层：第二条线，即连接任意两个节点之间的带有标记的弧线，用来表示并列的信息。目前，第二条线只用于标注并列句和动词短语，另一潜在的用途也许是对黏着歧义的系统标注（Brants et al. 2002）。TIGER 树库1.0 版中非终端节点的标识集（Smith 2003）标注的成分包括12 种短语［即带am 的最高级短语、形容词短语、状语短语、并列形容词短语、并列状语短语、并列补语、并列名词短语、并列介词短语、并列动词短语（非定式）、名词短语、介词短语、动词短语］、3 种并列形式（即并列句、并列成分、并列介词）、2 种不定式（即带zu 不定式和带zu 的并列不定式）、2 种多形符形式（多形符数字和多形符形容词）、句子、语块、准语言、专有名词、特殊单位和话语层成分。可以看出，TIGER 树库在短语分类上更细，标注层更深。
捷克语料库的标注体系是一个包含3 个相互关联层次的系统：①形态（扩充的词类）标注，它含有特定词形的形态信息；②分析性句法标注，即依存树的节点是带有标记的构句词形以及表示支配节点和依存节点之间关系句法关系的标注（如主语、宾语、附语、状语等）；③句法语义标注，即依存树的节点是标有实义的构句词形和表示句法—语义关系的标注（如施事、受事、结果、出处和各种不同的状语修饰成分等）。捷克依存树库分析性句法标注的标识集（Hajič & Hajičová 1997）包括主句谓语（包括系词）、主语、宾语（不区分直接宾语和间接宾语以及所谓的“第二”宾语）、属性、各种不同的状语、补语（遵循一定的既定原则）、名词或形容词谓语以及支配项被省略的节点。针对无法辨别的句法关系，可采用双标识，例如ObjAtr 或AtrObj。此外，捷克依存树库对功能词（助动词）和标点符号也进行了标注。捷克语料库句法标注的特点包括以下几点（Hajič & Hajičová 1997）：①每个词和标点符号都由一个节点表示；②除树根外不增加节点；③最终体现出来的是一棵依存树，树线（链接）被明确标出（标记黏着在依存树的依存成员上）；④允许有非投射。在最终的树图上每个节点的标注在分析句法层面上包括3 部分：词汇（词形）、形态标记和句法标记。
显然，捷克依存树库的标注体系完全不同于上述所提到的树库。它标注的不是成分结构，而是句法关系。这主要和构建树库的语法理论有关，捷克依存树库以依存语法（Dependency Grammar，Tesnière 1959）为主，而其他的则以短语结构语法（Phrase Structure Grammar，Chomsky 1957）为主。从描述框架上看，宾夕法尼亚大学树库采用的句法结构树和捷克依存树库采用的依存树各有优势。句法结构树可以对不同层次的句法成分组合特点进行细致的描述，但缺点是有时层次比较深，操作起来比较麻烦，而且中心词（Head）信息不突出。为此，宾夕法尼亚大学树库项目组进行了一些改进，包括采用骨架分析方法减少层次深度，增加功能标记突出中心依存关系等。而依存树的优势则在于明确地标注出了中心词之间的句法依存关系，可以方便地转化为语义依存描述，但它对一些没有明确依存关系的成分，标注起来则有些力不从心。因此，较好的处理方法是将两者有机结合起来。在这方面，德语的TIGER 项目组进行了有益的尝试。在TIGER 树库中，研究人员采用了一种层次结构和依存关系相结合的标注体系：底层的句法成分主要采用层次结构，可以保留大量丰富的描述信息；高层的语法关系则采用依存结构，描述句子中各主要成分与中心动词之间的各种句法依存关系。该树库形成一种功能强大、处理灵活的描述体系，特别适合像德语那样语序比较自由的语言（周强 2004：2-3）。
此外，卡尔森等人（Karlsson et al. 1995）提出的句法注释系统标注2 种名词［即错位名词（stray nominal）和前修饰名词］、7 种谓词（即定式助谓词、非定式助谓词、定式主谓词、非定式主谓词、后修饰非定式谓词、不定式标记、作为前置词补语的非定式谓词）、3 种形容词［即前修饰形容词、前修饰状-形容词（ad-adjective）和后修饰状-形容词（ad-adjective）］、2 种主语［即主语和形式主语（formal subject）］、2 种宾语（即宾语和间接宾语）、3 种补语（即主语补语、宾语补语和其他前置词补语）、2 种状语［即状语和宾语状语（object adverbial）］、3 种限定成分（即限定语、前修饰属格和前修饰数量语）、其他后修饰语、3 种关系（即并列词、从属词和同位关系）和标题。该句法注释系统主要基于卡尔森等人创建的约束语法（Constraint Grammar，简称CG），属于依存语法理论的一种。它包括词类标注、句法功能标注以及配价等相关信息。
谓词网（Verbnet）是目前最大的在线英语动词词典，其创建者是美国科罗拉多大学的帕尔默（Palmer）、基珀（Kipper）等教授。谓词网为自然语言处理（Natural Language Processing，简称NLP）的应用提供了需要的信息，每一个动词类包括成员集合、题元角色、句法框架、对每一个句法框架中论元的选择限制、句法框架中包含的语义谓词。在Verbnet3.0 中，用于描述框架名称中基本句法序列的成分有6 个：谓词（V）、名词短语（NP）、介词短语（PP）、形容词（ADJ）、副词短语（ADV）和语句（S）。比如，每个及物框架的名称是NP V NP。如果具体类别中的某个框架对其所带论元有很大限制，那么这个论元的题元角色就在圆点后添加出来，并包含在整个框架内，如NP V NP PP. sourc（remov“清除”在 Mary removed the smudges from the tabletop“玛丽把桌子上的污迹擦掉”中要求所带介词短语后接表示“来源”的名词短语）。此外，下划线后添加不同类型的句子补语，如NP V S_ING（Success requires working long hours）、NP V S_INF（I needed to come）。这种句法框架只能反映序列关系，并不能反映出句子的结构和功能。
在汉语方面，宾夕法尼亚大学的汉语树库（CTB）和中国台湾“中央研究院”的Sinica 汉语树库可分别看作是短语结构和依存结构树库的代表。宾夕法尼亚大学汉语树库句子的标注包括三个方面：词的切分、词类标注和句子分析。在句子分析层面上，鉴于汉语的词序比较严格，宾夕法尼亚大学汉语树库采取了短语结构，而不是依存结构的分析方法。标注体系采取的是成分等级结构和功能标识相结合的办法（Xue et al. 2005）。以宾夕法尼亚大学英语树库Ⅱ（Marcus et al. 1994）为参考，汉语树库使用四种标注手段：标记括号、功能标识、零成分和指示符。宾夕法尼亚大学汉语树库的句法短语标识集（Xue et al. 2000）包括12个短语（即名词短语、动词短语、形容词短语、前置词短语、数量词短语、限定词短语、分类词短语、副词引导的状语短语、由“XP + 的”形成的短语、由“XP + 地”形成的短语、由“XP + 方位词”形成的短语和无法确认的并列短语）、2 种句式（即曲折简单句和补词引导的从句）、语片、插入语和列举标记。此外，还有句法功能标识和空范畴的标识。尽管宾夕法尼亚大学汉语树库采用的标注体例与英语树库一样，但是有一个重要的不同之处：汉语树库要求一对带标记的括号代表一个结构语法关系，这使得具有不同语法关系的成分黏着在不同的层面上。就动词词组内部结构而言，这就意味着补语和附语的标注处在不同的结构上。而对名词词组的内部结构来说，并列成分和它们共享的修饰语则黏着在不同的层面上（Xue et al. 2005）。宾夕法尼亚大学汉语树库具有更新速度快、加工程度深、标注方法和算法上比较先进等特点。它存在的缺点是：①运用英语的语法框架来分析汉语，有的时候和汉语的语感不符；②另外，标注的颗粒度有时候比较粗，在向依存结构树库转换时就会出错；③有的地方的层次还应该细分等（王跃龙、姬东鸿 2009：50）。
中国台湾“中央研究院”Sinica 汉语树库（Huang et al. 2000； Chen et al. 2003）从1986 年起由中国台湾“中央研究院”词库小组（CKIP）建设。从“中央研究院”现代汉语平衡语料库中抽取句子，以信息为本格位语法（Information-based Case Grammar，简称ICG）的表达模式为基本架构，由计算机自动分析成结构树，再加以人工的修正和检验。该树库主要有以下特点：①采用以信息为本的格位语法表达模式，兼顾了语法和语义两方面的信息。每一个汉语句结构树不仅有语法的结构分析，而且表示出每个词之间的语义联系。在语义信息方面，不仅仅包含意义，而且包含其支配的论元和可能的修饰成分。在语法信息方面，标注了语法类别和其语法限制（陈凤仪等1999：88）。②汉语句子的语法结构表达采取中心语主导原则（head-driven principle）。中心语主导原则是指每一个句子或词组结构皆有一个中心语（Head），词组结构由中心语与其论元（argument）或附加成分组成（adjunct），并由中心语决定词组的词类，例如，句子（S）和述词词组（VP）的中心语皆为述词（V），名词词组（NP）的中心语为名词（N），介词词组（PP）的中心语为介词（P）等。剖析汉语句子时，词组类型由中心语确定，并且参照中心语和其他成分所记载的语法和语义信息，表达出句子中词与词之间的语法构造和语义角色关系（陈凤仪等1999：89）。③同时提出了三项辅助原则：词类小而美原则、由左至右联并原则、扁平原则（陈凤仪等1999：97）。中国台湾“中央研究院”Sinica 汉语树库（陈凤仪等1999：90-91）只包括6 个词组（即述词词组、名词词组、介词词组、方位词词组、连接词词组、定量词词组）和1 个句结构树标识。除了以上的词组结构以外，还有其他一些和“的、地、得、之、到”等组合成的词组。
和宾夕法尼亚大学汉语树库相比，中国台湾“中央研究院”Sinica汉语树库主要关注标注语义结构。比如说，它的标注集中包括54 个动词论元语义角色的标记、12 个名词化动词和6 个名词的标记。而在宾夕法尼亚大学汉语树库中功能标记覆盖大多数重要的关系，如主语、宾语和话题。相比之下，中国台湾“中央研究院”Sinica 汉语树库的标注集要丰富得多（Xue et al. 2004：25）。另外，宾夕法尼亚大学汉语树库使用了17 个短语标记，而中国台湾“中央研究院”Sinica 汉语树库仅用6 个短语范畴标注最小的句法结构。宾夕法尼亚大学汉语树库扩充版本（CTB- Ⅱ）的平均句子长度为28.9 个词，中国台湾“中央研究院”Sinica 汉语树库为7.6 个词，原因是中国台湾“中央研究院”Sinica 汉语树库把逗号以及其他标点符号作为句子的界限。这种处理方法降低了标注难度和工作量，但也不可避免地丢失了汉语复杂长句中丰富的描述信息。此外，中国台湾“中央研究院”Sinica 汉语树库不标注诸如语迹等语音为空的成分，也不使用指示符表明同指（Xue et al. 2004：25）。
北京大学汉语树库尽管规模较小，但构建时间较早（1997），为以后中国大陆树库的构建提供了样本，该树库参照了英语树库的处理经验并结合汉语分析的特点，确定了由19 个标记组成的句法标记集（周强等1997：43）。它包括13 种短语（即名词性短语、动词性短语、形容词性短语、名词性准短语、动词性准短语、形容词性准短语、副词性短语、介词短语、区别词性短语、时间词性短语、处所词性短语、数词准短语、数量短语）、2 种句型（单句句型和复句句型）、整句、句群、独立成分和直接引语。北京大学汉语树库对汉语短语的描述主要采用了功能而不是结构分类的方法，因此具有以下特点：①较好地体现了汉语语法单位之间的层次变化关系；②建立了词与短语之间的功能对应关系；③具有较强的适应性和可扩展性（周强等1997：44）。
和北京大学汉语树库相比，清华汉语树库的规模较大，覆盖面较广，比较真实地反映了汉语的全貌，是国内第一个大规模汉语树库，其句法信息丰富，加工层次较深（王跃龙、姬东鸿 2009：54）。该树库采用了完整的层次结构树描述框架，设计了双标记集的描述体系，对句法树上的每个非终结符节点都给出两个标记：成分标记和关系标记，分别描述其外部功能分布和内部组合特点，以期尽可能详细地描述汉语句子的句法组合信息（周强 2004：3）。成分标记集有16 个成分标记，其中包括10 种短语（即名词短语、动词短语、形容词短语、介词短语、副词短语、数量短语、时间短语、空间短语、区别词短语、数词准短语）、2 种句型（单句句型和复句句型）、整句、句群、独立成分和直接引语；关系标记集有27 个标记，包括15 种结构（即主谓结构、述宾结构、述补结构、定中结构、状中结构、联合结构、连谓结构、附加结构、重叠结构、兼语结构、介宾结构、方位结构、顺序结构、框式结构和标号结构）和12 种关系（即并列关系、连贯关系、递进关系、选择关系、因果关系、目的关系、假设关系、条件关系、转折关系、解注关系、流水关系和缺省关系）。目前，清华大学的研究人员已经开始在清华汉语树库上进一步进行更深层次的句法分析和词汇语义标注研究（周强 2004：7）。
国家语委现代汉语语料库是从1990 年开始，由国家语言文字工作委员会主持，组织语言学界和计算机界的专家学者共同建立的国家级语料库，是一个大型的通用语料库。该树库也采用结构和功能相结合的办法对短语进行标注。其语法体系主要依据的是具有代表性的吕叔湘（1979）、朱德熙（1980a）、胡裕树（1989）等的语法体系和《中学教学语法系统提要》。这既兼顾了我国主要的语法体系，又注意了与现行教学体系相衔接，具有科学性（靳光瑾等 2005：114）。国家语委语料库的汉语句法树标记集（靳光瑾等 2005：115）包括2 个大类：短语功能和短语结构。短语功能类标注13 种短语（即名词短语、动词短语、形容词短语、介词短语、副词短语、数词短语、量词短语、连词短语、叹词短语、主谓短语、区别词短语和拟声词短语）和2 种句式（单句和复句）；短语结构类标注17 种结构［即补充结构（动补、形补）、标号结构 、重叠结构、定中结构、方位结构、复指结构、介宾结构、兼语结构、联合结构（并列）、连谓结构（连动）、派生结构（附加）、述宾结构（动宾、形宾）、数量结构 、助词结构、主谓结构、状中结构和缺省结构］。
此外，专门用于儿童语言研究的CHILDES 语料库采用的是基于依存关系的标注方案，因此GRASP 生成的是表示语法关系的带有标识的依存结构。CHILDES 标注集中包含28 个不同的语法关系（Grammatical relation）类型：3 种主语（即非小句主语、限定小句主语、非限定小句主语）、3 种谓语（名词性或形容词性谓语、定式小句谓语、非定式小句谓语）、3 种宾语（直接宾语、间接宾语、要求带介词短语的宾语）、3 种附语（介词或副词做附语、定式小句做附语、非定式小句做附语）、3 种修饰语（非句修饰语、定式小句修饰语、非定式小句修饰语）、2 种补语（动词定式小句补语、动词非定式小句补语）、助动词或情态动词、动词否定式、限定词、介词宾语、动词分词形式、补语、交际词、呼格、附加疑问、并列结构、根词。目前CHILDES 的研究人员已经创建了一个经过句法标注的超过65,000 词的语料库。虽然它仅限于一部分英语语料，但是相关的研究人员正计划把它拓展到整个英语语料及其他的语言（Sagae et al. 2007）。
近10 年发展起来的是语义注释或标注， 主要包括义类标注（如兰卡斯特大学UCREL 的语义标注系统）、语义成分标注（如FrameNet“ 框架网”）、语义角色标注（semantic role labeling， 如Propbank“命题库”和VerbNet“谓词网”）和多义词义项标注（如北大语义词典）。义类标注是像义类词典那样对每个词进行语义归类，以方便信息检索；框架网基本是像百科词典那样，对每个词所表示事物的构成及与其他相关事物的关系进行说明，有助于语义消歧和确定搭配；语义角色标注主要是对一个词所表达事件的参与方（argument “论元”）及其语义角色进行标注，有助于弥补句法骨架分析不标注语句功能成分的不足；多义词义项标注主要用于语义消歧。但总的来说，它们基本是从语义的角度出发，这与本研究的最终目的不符。
从上述国内外句法标注的体系来看，目前还存在着以下一些主要的问题：
打印本文章
