本文提出了一种基于转移的 AMR 解析器系统，该系统通过优化对齐机制和过渡系统，可直接将句子解析为对应的 AMR 图，并获得了更高的对齐 F1 分数和 Smatch F1 分数。

Oct, 2018

本文提出了一种基于 Transformer 架构的、利用硬注意与目标端点机制相结合的过渡式 AMR 解析器，该解析器通过显式地对齐目标节点与源句子标记而提高了表现。

Apr, 2021

本文提出了一种新的端到端模型，将 AMR 分析视为对输入序列和增量构建的图表的双重决策序列，并通过多个注意力，推理和组合过程来回答两个关键问题：输入序列的哪一部分需要抽象，以及在图表的哪个位置构建新的概念，实验结果表明，所提出的模型相较于之前的方法，在解决 AMR 分析的准确性方面取得了很大进步，无需任何大规模预训练语言模型（如 Bert），我们的模型就已经超过之前的最新技术水平。

Apr, 2020

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

我们提出了一种基于关注机制的模型，将 AMR 解析视为序列到图的转换，与大多数依赖于预训练对齐程序、外部语义资源或数据增强的 AMR 解析器不同，我们的提议的解析器是免费的，它可以有效地训练用于有限数量的标记 AMR 数据。我们的实验结果优于以前报告的所有 SMATCH 得分，无论是在 AMR 2.0（LDC2017T10 上的 76.3％F1）还是 AMR 1.0（LDC2014T12 上的 70.2％F1）上。

May, 2019

探索将预训练的序列到序列语言模型与结构感知的基于转换的方法相集成，在提高 AMR 解析效果的同时保持先前基于转换的方法的优质属性，从而使模型更简单、更可靠。

Oct, 2021

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

本文提出了一种基于 Covington 算法的全非单调转移系统，并开发了几种非单调变体的动态预测器，从而探索训练过程中的错误操作。在 CoNLL-X 和 CoNLL-XI 共享任务的数据集上进行实验，实验结果显示，非单调的动态预测器在大部分语言中表现优于单调版本。

Jun, 2017

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

我们提出了第一个 UCCA 解析器，它是一个跨语言适用的语义表示框架，具有重要的形式特性，包括 reentrancy、不连续结构和复杂的语义单元。我们提出的基于双向 LSTMs 的转移式解析器不仅适用于 UCCA 解析，还能够扩展到其他具有类似形式属性的语义 DAG 结构的解析。

Apr, 2017