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

本文提出了一种计算隐马尔可夫模型中上下文无关文法概率的算法，解决了计算一类非二义性上下文无关文法概率的问题，并提出了一种可用于多项式绑定的二义性上下文无关文法概率的随机多项式算法。

Jun, 2022

本文提出了一种将自然语言句子映射到其含义的 lambda 演算编码的方法，并描述了一种学习算法，用于将标记有 λ 演算表达式的句子的训练集作为输入。应用该方法，将自然语言接口学习到数据库，得到的分析器在两个基准数据库领域中优于之前的方法。

Jul, 2012

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

本研究介绍了递归神经网络语法与其使用的高效推理过程，分别应用于句法分析和语言模型，实验结果表明在英文的句法分析和英汉语言模型方面，其效果均优于所有以前发表的有监督生成模型和最先进的序列 RNNs。

Feb, 2016

该研究提供一种产生概率语法的框架，通过对正例语料库进行舍选规则加入工作语法，利用贝叶斯后验概率来决定合并元素的时机，从而得到更通用且更紧凑的概率语法模型。本研究运用了三种类型的概率语法模型：隐马尔可夫模型，基于类的 n 元模型，和随机上下文无关文法。

Sep, 1994

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

本文介绍一种基于概率的左角解析器，并说明如何从分析的数据中感应语法，使用这种方法解析从宾州树库感应的语法，比起只使用自顶向下的概率上下文无关文法，左角方法具有优势，但认为由于宾州树库括号的平坦性以及感应语法的明显过度生成和欠生成，宾州树库提供一个相当弱的测试平台。

Nov, 1997