Biaffine使用基于图的方法解析依存句法，对句中每次词找到head以及其到head的依存标签，因此针对图的依存句法解析需解决两个问题：
不定类别分类，哪两个节点连接弧？
固定类别分类，弧的标签是什么？
本文使用 双仿射分类器 分别预测依存关系（arc）和依存标签（label），在英语PTB数据集中0.957 UAS， 0.941 UAS，使之成为graph-based依存句法解析的基准模型，文中也介绍模型一些超参数对模型效果的影响。
Biaffine模型的以下特点：
使用双仿射注意力机制，而不是使用传统基于MLP注意力机制的单仿射分类器，或双线性分类器；
第一次尝试使用MLP对LSTM的输出进行降维，再输入至仿射层；
论文：https://arxiv.org/pdf/1611.01734.pdf
论文模型结构：
中文解释：
- https://www.hankcs.com/nlp/parsing/deep-biaffine-attention-for-neural-dependency-parsing.html
- https://blog.csdn.net/sinat_34072381/article/details/106864586
源码：