Stanford CoreNLP包含几种用于解析英语句子的模型。
以下文件中有一些比较：
我无法找到所有模型的完整描述和比较。 它存在于任何地方吗？如果不是，我认为值得创造。
答案 0 :(得分：2)
我不能给出完整的清单（也许克里斯会插话？），但我的理解是这些模型是：
englishSR：在各种标准树库上训练的班次减少模型，以及斯坦福大学的一些手工注释数据。这是我们拥有的最快，最准确的模型，但加载模型非常庞大。
english_SD：斯坦福依赖关系的NN依赖性解析器模型。不赞成使用english_UD - Universal Dependencies模型。
english_UD：通用依赖关系的NN依赖关系解析器模型。这是获取依赖树的最快，最准确的方法，但它不会给你选区解析。
englishRNN：混合PCFG +神经选区解析器模型。除了shift-reduce模型之外，比任何选区解析器更准确，但也明显更慢。
englishFactored：不是100％确定这是什么，但我的印象是精确度和速度都在englishPCFG和englishRNN之间。
englishPCFG：用于选区解析的常规旧PCFG模型。加载速度快，比移位减少模型以外的任何选区模型都快，而且现代标准也是一种平庸的准确性。尽管如此，这是一个很好的默认值。
englishPCFG.caseless：PCFG模型的无壳版本。
我认为wsj*模型可以在论文中重现数字（通过适当的WSJ分裂训练），但我再也不能100％确定它们是什么。
根据模型使用的速度，准确度和基本内存帮助选择正确的模型：
快速：10倍，准确，高记忆：englishSR
中等：1x，准确无误，内存不足：englishPCFG
慢：~0.25x，准确，内存不足：englishRNN
快速：100x，准确，低内存，依赖性仅解析：english_UD