本研究提出了一种新颖的转换系统，基于 Covington 非投影解析器，引入了非局部转换，可直接创建涉及当前焦点位置左侧节点的弧，从而避免了创建远距离弧的长序列 No-Arc 转换，从而减轻了错误传播。结果解析器的性能优于原始版本，并在贪心转换算法中在 Stanford Dependencies 转换 Penn Treebank 方面实现了最佳准确性。

Oct, 2017

本研究提出了一种贪心的从左到右的非投射转移句法分析器，旨在处理 AMR 图中的循环和重新进入，能够原生地处理重新进入和任意循环，模型在 LDC2015E86 语料库上获得 64％的 Smatch 的结果，并在重新进入的边缘上表现良好。

May, 2018

通过将转移型句法分析器的动态规划实现与最小集的双向 LSTM 功能相结合，Shi、Huang 和 Lee (2017) 获得了英语和汉语依存句法分析最先进的结果，但受限于投影分析。在本文中，我们通过提供 MH_4 算法的第一个实际实现，扩展了他们的方法以支持非投影性，在非投影性树库上具有非常高的覆盖率，并简化该算法以适应最少的转移型特征集。我们因此获得了非投影性转移型分析的全局解码的第一个实现，并证明它在解析一些高度非投影性的语言方面比其投影对应物更有效。

Jul, 2018

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

本文提出了一种能够同时进行全局特征提取和线性时间推理的依存句法分析模型，支持投影和非投影句子的解析，经检验表现良好。

Nov, 2019

该论文提出了一种广义的非投影转移依存句法分析器，允许多项式时间的精确推断，可以在投影和非投影转移句法分析中提供更好的覆盖率和更好的运行时间保证。

Apr, 2018

提出了一种基于转换的方法，通过训练单个模型，可以有效地解析任何输入句子，支持连续 / 投影和不连续 / 非投影的句法结构，并证明了这两种句法形式可以在训练过程中互相受益，提高了在多个基准测试中的准确性，如英语和中文 Penn 树库以及德语 NEGRA 和 TIGER 数据集。

Sep, 2020

通过使用仅包含句子跨度的最小 LSTM 特征表示的新的 shift-reduce 系统以及第一个可以证明最优的动态 Oracle，该算法的时间复杂度是摊销 O（1），相比于标准依赖解析的 O（n ^ 3）Oracle，我们在使用这个 Oracle 进行训练后，在不使用重新排名或外部数据的情况下取得了最好的 F1 分数，而句法解析准确度得到了显著提高。

Dec, 2016

本文研究了非单调推理的一般模式，并试图通过参考积极属性来绘制非单调推理领域的地图，其中集中关注一些非单调推理的后果关系，并定义和表征了五个这样的后果关系家族。

Feb, 2002

本文提出了一种利用非单调潜在对齐的方法，扩展非自回归翻译模型的非单调对齐空间，进一步考虑与目标句子重叠的所有对齐，并训练潜在对齐模型以最大化非单调匹配的 F1 分数，从而提高 CTC-based 模型的翻译性能，最佳模型在 WMT14 En-De 上实现了 30.06 BLEU 的性能表现。

Oct, 2022