我们研究了一个语法归纳问题的正式化，其将句子建模为由复合概率上下文无关文法生成。与传统的学习单一随机文法的方式不同，我们的文法的规则概率由每个句子的连续潜变量调制，这在传统上下文无关假设以外引出了边际依赖性。这种文法的推理通过折叠变分推理实现，在这种方法中，连续变量上放置平化的变分后验，并通过动态规划边际化潜在树。针对英语和中文的实验表明，与最近的最先进方法相比，我们的方法在无监督语法分析评估时非常有效。

Jun, 2019

该论文提出了范畴论和计算语言学之间的翻译作为自然语言处理的基础，结合语法、语义和语用三个方面，以字符串图表达统一的句法结构，利用函子将图表达式计算为逻辑、张量、神经或量子计算的语义，通过组成游戏将生成的函子模型进行组合，从而解决语言处理任务。DisCoPy 是用于计算字符串图的 Python 库的一部分，将得到的范畴、语言和计算结构之间的对应关系描述，并通过组合的自然语言处理应用进行演示。

Dec, 2022

本文介绍了一种神经语义解析器，将自然语言对话转换成谓语 - 论元结构的中间表示，并通过标注的逻辑形式或其指示训练端到端的语义解析器。在各种数据集上实验，得到了具有竞争力的结果。作者从诱导的谓词 - 论元结构中发现，它们可以揭示有关语义解析有用表示形式的类型以及这些表示形式与语言学上动机的表示形式之间的差异。

Apr, 2017

本文基于概率约束编程模型，提出了一种基于对数线性概率模型的参数估计和查询概率约束编程模型中最可能的分析方法，并提供了适用于大数据空间的合适的近似方法。

Nov, 1997

本文提出一种新的 GNN 设计策略，利用无上下文语法生成矩阵语言 MATLANG，从而确保 WL 表达能力，子结构计数能力和谱属性。根据该策略，设计了语法图神经网络 G$^2$N$^2$，证明了其在边级上计算长度为 6 的环并能够达到带通滤波器，实验结果证实了理论结果。

Mar, 2023

该研究提出了一种新的在线学习算法，利用宏语法缓存已发现的有用逻辑形式的抽象模式，以及利用整体触发根据句子相似度高效检索相关模式，其在 WikiTableQuestions 数据集上达到 43.7% 的准确率和 11 倍的速度提升。

Jul, 2017

本文提出了一种基于对数线性模型和 EM 计算方法的约束性语法随机建模新方法，应用于德语 LFG 语法，取得了较高的准确度和性能提升。同时，还提出了一种新的基于类别的语法词汇化方法，极大提高了语法模型的准确性和效率。

Aug, 2000

提出一种基于经典乘法线性逻辑的范畴文法，使用标记的端点将单词组成元组而不是抽象的 λ 项，称为 Multiwords；Multiwords 可以组成一个具有基本代数结构的类别，并且研究它可能有助于理解语言语义和为其他形式主义提供分类表示。

Oct, 2018

本文研究了分类组合分布语义学中的词汇包含问题，使用密度矩阵和量子计算中的部分知识的范畴语义思想提出了一种新的语言模型，并引入了一种新颖而强健的分级量化概念，能够有效地计算概念之间的包含关系。

Jan, 2016

本文介绍了一种神经语义解析器，可以将自然语言表达式映射到逻辑形式，以在特定任务环境中执行，如知识库或数据库，生成响应。解析器使用基于转换的方法生成具有树形结构的逻辑形式，结合由逻辑语言定义的通用树生成算法和领域一般性操作。解析器的生成过程由结构化循环神经网络建模，提供句子上下文和生成历史的丰富编码，以进行预测。为了解决自然语言和逻辑形式标记之间的不匹配，探讨了各种注意机制。最后，我们考虑了神经语义解析器的不同训练设置，包括全监督训练、弱监督训练和远程监督训练。对各种数据集的实验表明了我们解析器的有效性。

Nov, 2017