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

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

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

本研究提出了基于中序遍历的句法树的新型解析系统，该系统采用一组转移动作来平衡自底向上成分信息和自顶向下的前瞻信息，基于堆栈 LSTM 的心理语言学成分解析系统在 WSJ 基准测试上实现了 91.8 F1，并且经过有监督的重排序后可以达到 93.6 F1，经过半监督的重排序后，可以达到 94.2 F1。

Jul, 2017

本文探讨了基于转换系统的移进规约语义分析器，利用 Cutting-edge Transformer 架构和 In-order 算法，结合 Facebook TOP 基准中的多个领域的广泛测试，本方法在高资源和低资源情况下均超过了现有的移进规约解析器和最先进的序列到序列模型。

Oct, 2022

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

本文提出了一种新的中间表示法，基于这种表示法，我们将短语表示分析转化为依存分析，并通过在依存标签中编码顺序信息，表明任何可训练的依存分析器都可以用来生成 constituents。尽管我们的方法很简单，但实验证明，结果与强基准线（例如伯克利解析器和 SPMRL 2014 共享任务中最好的单一系统）不相上下，特别是在德语断点解析方面，我们超过了当前的技术水平。

Feb, 2015

本研究探讨使用策略梯度方法作为独立于特定解析器转移系统的替代动态预言机的多元组监督方法，以直接优化 F1 指标并在训练期间进行探索，从而减少暴露偏差。在三种不同语言的四个成分解析器中，该方法在几乎所有情况下都比静态预言机似然训练方法表现出更高的效果。

Jun, 2018

本研究提出一种基于 Shift-Reduce Parsing 的潜在树学习模型，在下游任务上具有竞争性能表现和重要诱导树，同时使用图表模型进行对比分析。

Jun, 2018