本篇研究将深度限制的方法应用于概率无上下文语法归纳，并在语法获取方面取得了出色的结果，并且从该模型中获得的语法证明了对类别标签的一致使用。

Feb, 2018

本文提出一种参数化 Neural lexicalized PCFGs 的方法，该方法直接模拟双词依赖性，并同时降低 L-PCFGs 的学习和表达复杂度，实验结果表明该方法提高了解析性能。

May, 2021

本文将视觉与语言相结合用于语言理解，采用一种基于概率无上下文文法模型的 full-differentiable 端到端视觉理解模型，在 MSCOCO 测试标题上取得了新的最佳效果，证实了视觉基础在短语结构语法归纳中的有效性。

Sep, 2020

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

本文提出了一种基于语料库的概率上下文无关文法识别算法，它采用贪心启发式搜索和一种基于贝叶斯框架的后处理方法，并在三个语言建模任务中与 n-gram 模型和 Inside-Outside 算法进行了比较，结果表明我们的算法在两个任务中，即使用概率上下文无关文法生成的数据上优于另外两种算法，在第三个任务中，我们的算法不如 n-gram 模型，但比 Inside-Outside 算法表现优异。

May, 1995

研究语法诱导，使用线性无上下文重写系统进行无监督不连续解析，将文法形式限制为二元 LFCRS 并使用张量分解与参数化规则概率得到大量非终端符号，从而能够诱导出具有连续和不连续结构的语言学意义的树。

Dec, 2022

本文介绍了一种基于张量分解的新的概率上下文无关文法参数化形式，其符号数量的计算复杂度最多为二次，适用于大量符号，可以进一步使用神经参数化来改善无监督解析性能。

Apr, 2021

本文提出了一种基于概率的自然语言生成模型 HBG，与传统方法不同的是，这种方法利用详细的语言学信息来消除歧义，通过使用 Treebank 语料库和决策树构建，HBG 从句子的句法、语义和结构方面确定正确的分析。在与最佳现有鲁棒概率分析模型 P-CFG 的 head-to-head 比较中，HBG 模型取得了显著的优势，将分析精度率从 60% 提高到 75%，减少了 37% 的误差。

May, 1994

本研究旨在提高在训练数据中标注少量标签的情况下诱导策略。我们发现最具信息量的语言成分是树状结构中更高层的节点，通常代表复杂的名词短语和句子从句，这些仅占所有成分的 20％。针对标注数据稀疏（例如仅有高层成分标签）的语法诱导，提出了一种适应策略，可以产生与从完全标注的语料库诱导的语法几乎一样好的语法。我们的结果表明，为了取代人工注释员，部分解析器必须能够自动提取更高层次的成分，而不是基本名词短语。

May, 1999