通过生成类别而不是分类类别，我们提出了一种新的 CCG supertagger 方法，将每个类别分解为一系列更小的标记，以此更好地处理类别间的关系并增强与句子上下文的交互。该方法能够在标准 CCGBank 上实现最先进的标识 (95.5% 精确度) 和分析 (89.8% 标记 F1)，并在罕见类别、领域外文本和资源匮乏语言方面取得了有希望的结果。

Mar, 2021

本文研究了四种不同的句法 CCG 解析器在语义槽填充任务中的有效性，探讨语法监督对下游语义分析的影响，并发布了一个新的 Freebase 语义解析数据集 SPADES，其中包含 93K 道的填空题和答案。

Sep, 2016

通过使用组合范畴语法（CCG）作为语法模型，研究人员发现可以更好地理解自然环境中语言理解的行为和神经相关性。使用 fMRI 收集参与者听故事期间的神经信号，研究发现 CCG 在解释神经信号方面的有效性优于上下文无关文法，并可以从可选附加语方面解释。

Oct, 2022

提出了一种新的 A * CCG 解析模型，通过在双向 LSTM 上定义 CCG 类别和语法依存关系的因子，将树的概率分解成因子。我们的模型通过依赖关系显式地建模句子结构，并允许所有概率的预计算，因此运行效率非常高。我们的模型在英语和日语 CCG 解析方面取得了最先进的效果。

Apr, 2017

本研究研究了 Vijay-Shanker 和 Weir（1994）形式主义下组合范畴语法（CCG）的解析复杂性。我们的主要结果是，在分析中，将语法的大小（而不仅仅是输入句子的长度）考虑进去时，该形式主义的任何解析算法最坏情况下需要指数时间。这与弱等价形式主义（如 Tree-Adjoining Grammar (TAG)）有所不同，对于这种形式主义，可以在与语法和输入句子的大小成多项式时间完成分析。我们的研究结果有助于更加深入地理解轻度上下文敏感语法的分类，并为寻找新的轻度上下文敏感版本的 CCG 提供信息。

Feb, 2017

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

本文引入了第一个具有解码最优性保证的全局递归神经语法分析模型，通过直接搜索所有可能子树的空间来支持全局特征，并使用新的目标函数对全局模型进行训练，实现样本探索的最小化；应用于 CCG 分析，在保证解析最优的情况下，在目标库中 99.9% 句子中找到最优解析，并平均发现 190 个子树。

Jul, 2016

通过注意力图卷积网络以图形式建模词库中的信息，加强神经组合范畴语法（CCG）超标记，进而提高语法分析的准确性。实验结果表明，该方法在超标记和语法分析方面优于先前所有研究。

Oct, 2020

使用神经解析器和结构化输出预测来实现在零 - shot 设置下对其他领域进行泛化的研究，并在英语和汉语语料库上获得了最新的解析结果。

Jul, 2019

我们在组合范畴语法 (Combinatory Categorial Grammar, CCG) 框架中提出了对各类极性问句和 wh - 问句的组合语义，为了评估我们提出的分析的解释力，我们引入了一个特别设计用于评估疑问句语义的问答数据集 QSEM。我们使用现有的 CCG 解析器实现了我们的分析，并利用该数据集进行评估。通过评估，我们得到了包含 QSEM 的一半样本的带有 CCG 树和语义表示的注释数据。此外，我们讨论了 CCG 的理论能力与现有 CCG 解析器的能力之间的差异。

Dec, 2023