通过改进候选选择和使用粗略的修剪功能，我们描述了一种可行的搜索过程，及其用于 Choe 和 Charniak（2016）模型的推理过程在 Penn Treebank 的 23 节上能够获得 92.56 F1，超过以前的最先进结果。

Jul, 2017

该研究提出了两个快速神经组合模型，用于句法分析，分别是二元模型和多分支模型，它们的理论复杂度是次二次的，实际复杂度较低，其中二元模型在 Penn Treebank 上取得了 92.54 的 F1 分数，并以 1327.2 个句子 / 秒的速度进行解析。同时，该模型结合 XLNet，准确率接近英文句法分析的最新水平，并能够观察到 Penn Treebank、Chinese Treebank 和 Keyaki Treebank（日本）在训练和推理过程中的句法倾向和头向性。

Jun, 2021

本文研究了两种概念简单的本地神经模型，在成分分析中取得了高度竞争的结果，分别实现了 PTB 和 CTB5.1 中的标记支架 F1 得分为 92.4％和 87.3％。

Aug, 2018

本研究介绍了一种新的数据再组合框架，该框架可以将先前的领域知识注入到神经模型中，以提高模型的准确性。通过从训练数据中引出高精度同步上下文无关文法，并用新颖的基于注意力机制的复制方法，在利用语法生成的样本数据上训练序列到序列的循环神经网络模型（RNN），帮助模型学习感知句法。数据再组合提高了我们的 RNN 模型在三个语义解析数据集上的准确性，在使用类似的监督数据输出下，在标准的 GeoQuery 数据集上比以往模型表现更具优势。

Jun, 2016

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

研究了现代和经典的组成分析方法的差异，以及神经网络在此领域的应用。高性能的神经模型代表了最新的工作，实验发现该模型隐式编码了过去语法和词汇表明确提供的信息，暗示这种支撑可以被强大的通用神经机制取代。

Apr, 2018

提出了一种新颖的算法，使用神经跨度编码器与语法树结构进行句法分析，利用 GPU 并行计算实现了对传统跨度组合评分进行更精密算法的计算，并在 Penn Treebank 数据集上取得了较好的预测性能。

Nov, 2022

本文提出了第一个用生成模型进行 RST 解析的文档级 RNN 语法，通过一种新的 beam search 算法，在而不展示左分支的偏差下，在未标注和标注的 F1 值上分别提高 6.8 和 2.9，超越了所有不使用额外训练数据的最新复制研究中发布的解析器，并且优于具有相同特征的判别模型 2.6F1 分。

Sep, 2019

该研究采用了一种更高效的解码算法，通过在训练阶段进行联合建模并引入高阶评分组件以实现句子的共同解析，从而更好地表示语法。

Sep, 2023

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