本文讨论了使用预训练架构（而非解码）进行单语种全刻度句法分析（成分和依赖）的问题，并使用序列标注作为模型，探讨了不同词向量的句法敏感性。实验分析显示，使用预训练编码器的结果优于现有序列标记解析器，F1 评分为 93.5％（PTB）和 78.8％（EN-EWT UD）的限制条件下。

Feb, 2020

在形态丰富的语种中，通过一种新的 “翻转管道” 方法，直接在整个单词单元上进行专家分类器的决策，再综合其预测，从而在希伯来语词性标注和依存句法分析上取得了新的技术水平，并在其他希伯来语自然语言处理任务上接近最新技术水平。

Mar, 2024

本文介绍了一种新的依赖性分析器：Hexatagger，通过标记句子中的单词，并使用可能标记的有限集合来构建依赖关系树。我们的方法是完全可并行化的，并获得了 96.4 LAS 和 97.4 UAS 的最新性能。同时，我们的解析器的线性时间复杂度和并行性显着提高了计算效率，比先前的最先进模型快了大约 10 倍。

Jun, 2023

本文探索使用最先进的神经转换器来检测多词表达的任务， 并在 SemEval-2016 Task 10 数据集中实验评估了几个 Transformer 模型，结果表明 Transformer 模型优于基于长短期记忆（LSTM）的以前的神经模型。

Aug, 2022

该论文描述了一个半监督系统，该系统同时学习语言多词表达（VMWE）和依赖关系解析树作为辅助任务，并利用预训练的多语言 BERT。该系统已参加了 PARSEME 共享任务 2020 年的公开赛，排名第一，并在所有 14 种语言中平均识别未见过的 VMWE 以及 VMWE 的 F1 分数方面表现出色。

Nov, 2020

本研究介绍了一种新的标记多词表达式的方法，利用了一种具有语言独立性和语言学可解释性的深度学习架构，特别针对了计算处理多词表达式中不连续性这一尚未充分开发的领域。本文提出了两种神经网络结构：图形卷积网络（GCN）和多头自注意力，通过门控机制将两者的互补信息结合在一起，并在标准多语言动词 MWE 数据集上进行实验，结果表明我们的模型不仅在不连续的 MWE 情况下表现更好，同时在整体 F-score 上也表现优异。

Feb, 2019

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

该论文尝试将组成和依存句法两种形式融合到头驱动短语结构中，提出了两种基于所转换树的解析算法，成功地在 Penn Treebank（PTB）和中文 Penn Treebank 上实现了一种新型联合解码器，达到了本领域最高的解析性能。

Jul, 2019

我们提出了一种新的基于 headed spans 的投影依存解析方法。我们将从每个单词开始的最大子树表示为一组 headed spans，将一个依存树的得分分解为所有 headed spans 的得分， 并设计了一个新颖的 O (n3) 动态编程算法实现全局训练和准确推理。我们的方法在 PTB，CTB 和 UD 上实现了最先进或有竞争力的结果。

Aug, 2021

通过对多词表达式的深入调查，我们发现 Transformer 模型在捕捉多词表达式的语义上存在不一致性，主要依赖表面模式和记忆信息，并且其表示在架构的早期层中主要存在。另外，我们强调了更直接可比较的评估设置的需求。

Jan, 2024