本文介绍了一种基于 label 和 span 独立评分的最小神经模型，并证明了该模型不仅与经典的动态规划技术兼容，而且还支持一种基于递归分割的新颖贪心自顶向下推理算法。经实验证明，两种预测方案竞争力强，并且与得分模型的基本扩展相结合，能够实现 Penn Treebank 的单模型最优性能（91.79 F1），并在法语 Treebank 上获得强大的性能（82.23 F1）。

May, 2017

通过使用一种新的过渡系统，将存储子树的方法改为带有常数时间随机访问的解析项集合，设计了一种能够在 4n-2 次转换中完成长度为 n 的任何不连续成分树构建的解析策略，同时引入了一个可靠的动态预测器用于该过渡系统，并在三个英语和德语的不连续成分分析树库上实现了最先进的结果。

Apr, 2019

利用新颖的动态预测模型，提高基于转移的 shift-reduce 算法在成分句法分析中的准确率。其中，我们针对自顶向下和自内向外两种转移方式的解析器设计了动态预测模型，可以显著提高句法分析的准确率，达到了 92.0 F1 的最佳水平。

Oct, 2018

提出了一种基于 RNNs 和动态规划的图结构堆叠和波束搜索的线性时间组成成分句法分析器，通过集成立方剪枝，可以将其运行速度进一步提高到 O（n b log b），相对于图表解析基线，此线性时间解析器在长句子上的速度明显更快，对于话语分析来说速度更快，是单模型端到端系统中在 Penn Treebank 上达到的最高 F1 准确度。

May, 2018

我们提出了一种新的成分分析模型，将分析问题转化为一系列指向任务，支持高效的自上而下编码和学习目标。实验表明，我们的方法在不使用预训练模型的情况下取得 92.78 F1 的结果，使用预训练 BERT，达到了 95.48 F1 和最先进的技术水平相当。此外，我们的方法也在多语种成分分析领域实现了最新的技术进展。

Jun, 2020

本文针对移位 - 归约分析的相对弱点，利用双向 LSTM 模型提取向前追望特征，并将结果传递给强大的过渡性成分分析器，提高了 1.3% 在 WSJ 和 2.3% 在 CTB 中的准确性。

Dec, 2016

本研究利用双向 LSTM 句子表示模型以及新颖的转移系统，成功实现了依存句法和短语句法的有监督学习，达到了最先进的效果。

Jun, 2016

该文章提出了一种新颖的非二元移进 - 规约算法用于组成句法分析，其比现有的基于移进 - 规约的组成句法分析系统使用更少的转换，成为最快的该类系统，以此加快下游任务的速度。该算法的准确性可以与当前最先进的基于移进 - 规约技术的组成句法分析器相媲美，同时在 Wall Street Journal 部分中，它超过所有自上而下有效移进 - 规约的系统。

Apr, 2018

本研究旨在提出一种快速准确的神经 CRF 成分句法分析器，采用内部算法批处理、边界表示和双仿射关注等手段，提高了句法分析的效率和性能，并在三个数据集上达到了最新的最高性能。

Aug, 2020

本文提出一种有效的方法来使 constituent parsing 更加准确，通过学习切换标记方案、降低标签集的稀疏性、并细化多任务学习以减少错误传播，加上辅助损失和策略梯度句子级微调等技术，成功优化了英文和中文 Penn Treebanks 数据集的连续标记 constituent parsers 的性能，并在 SPMRL 数据集上实现了更大的性能提升，包括在巴斯克语、希伯来语、波兰语和瑞典语上建立了新的 state of the art。

Feb, 2019