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

本文研究了无需动态规划的高效预测广覆盖分析。与自底向上的方法不同，自顶向下的分析产生的部分解析是完全连接的树，涵盖了整个左侧的上下文，从中原则上可以读取任何类型的非本地依赖或部分语义解释。我们对比了两种预测分析方法，自顶向下和左角分析，并发现两种方法都是可行的。此外，我们发现使用非本地信息不仅可以提高解析器的准确性，还可以大大提高搜索效率。

Aug, 2000

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

本研究比较基于词汇化和非词汇化的句法分析模型的性能表现，提出了一种基于结构 - 标签转换系统和双向 LSTM 评分系统的非词汇化转换型分析器，结果表明非词汇化模型在处理不连续组分句法结构时具有更好的性能表现，尤其是在英语和德语的领域中。

Feb, 2019

本研究通过分析增量成分解析器的能力来仅仅基于前缀表示输出语法树。我们使用严格从左到右的生成式语言模型和树解码模块构建了符合增量性的解析器，该工作在语言之间积极探索了增量性。同时，我们分析了非增量和部分增量模型。

Feb, 2024

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

本文提出基于 in-order linearization 的丰富 shift-reduce 线性化方法，应用于序列到序列组成部分分析，实现了英语 PTB 数据集的最佳准确性和与转移式的最先进 parsers 一样的速度。

May, 2020

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