比较了树相邻语法（TAG）和组合范畴语法（CCG）对于字符串和树的表达能力，发现它们在树上的表达能力基本上是一致的，特别地，只要有限制条件，如 CCG 没有空字符串的词库条目和一阶规则的度数不超过 2，则其表达能力可以达到最大。

May, 2022

本文提出了一种基于依存树的语料库自动生成的领域自适应方法，简单易用且性能显著，适用于最先进的解析器，通过对生物医学文本、问题句子、语音对话和数学问题的实验数据验证，性能提高了 6.3% 到 8.3%。

Jun, 2019

通过使用组合范畴语法（CCG）作为语法模型，研究人员发现可以更好地理解自然环境中语言理解的行为和神经相关性。使用 fMRI 收集参与者听故事期间的神经信号，研究发现 CCG 在解释神经信号方面的有效性优于上下文无关文法，并可以从可选附加语方面解释。

Oct, 2022

本文介绍了一种高效、正确且易于实现的规范化解析技术，用于处理类别语法，可以在语义等价类的每个可允许解析中完全消除虚假歧义。

Jun, 1996

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

该研究利用快速的复合概率上下文无关文法的实现程序，在评估英语和形态丰富的语言的过程中，发现复合概率上下文无关文法不但数据效率高，而且最大限度利用了全局句子级信息以及预终端符规则概率，但是英语下的最佳配置并不总是适用于形态丰富的语言。

Mar, 2021

本文引入了第一个具有解码最优性保证的全局递归神经语法分析模型，通过直接搜索所有可能子树的空间来支持全局特征，并使用新的目标函数对全局模型进行训练，实现样本探索的最小化；应用于 CCG 分析，在保证解析最优的情况下，在目标库中 99.9% 句子中找到最优解析，并平均发现 190 个子树。

Jul, 2016

通过注意力图卷积网络以图形式建模词库中的信息，加强神经组合范畴语法（CCG）超标记，进而提高语法分析的准确性。实验结果表明，该方法在超标记和语法分析方面优于先前所有研究。

Oct, 2020

我们在组合范畴语法 (Combinatory Categorial Grammar, CCG) 框架中提出了对各类极性问句和 wh - 问句的组合语义，为了评估我们提出的分析的解释力，我们引入了一个特别设计用于评估疑问句语义的问答数据集 QSEM。我们使用现有的 CCG 解析器实现了我们的分析，并利用该数据集进行评估。通过评估，我们得到了包含 QSEM 的一半样本的带有 CCG 树和语义表示的注释数据。此外，我们讨论了 CCG 的理论能力与现有 CCG 解析器的能力之间的差异。

Dec, 2023

提出了一种新的 A * CCG 解析模型，通过在双向 LSTM 上定义 CCG 类别和语法依存关系的因子，将树的概率分解成因子。我们的模型通过依赖关系显式地建模句子结构，并允许所有概率的预计算，因此运行效率非常高。我们的模型在英语和日语 CCG 解析方面取得了最先进的效果。

Apr, 2017