本文提出一种有效的方法来使 constituent parsing 更加准确，通过学习切换标记方案、降低标签集的稀疏性、并细化多任务学习以减少错误传播，加上辅助损失和策略梯度句子级微调等技术，成功优化了英文和中文 Penn Treebanks 数据集的连续标记 constituent parsers 的性能，并在 SPMRL 数据集上实现了更大的性能提升，包括在巴斯克语、希伯来语、波兰语和瑞典语上建立了新的 state of the art。

Feb, 2019

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

本文提出了一种新的组成树线性化方法和一种本地归一化的模型，用于句子中的每个分裂点，该模型在以该分割点结尾的所有子句上计算正则化值，并从中预测出一个树状子句。该模型相比全局模型更快、更可并行化，而且线性化方法直接绑定在子句上，考虑了更多的本地特征，更易于解释和有效。实验表明，该模型在 PTB（95.8 F1）和 CTB（92.4 F1）上显著优于现有的本地模型，且可以高效地获得与全局模型相同的竞争结果。

Apr, 2020

该论文介绍了一种将成分解析简化为序列标注的方法，并使用该方法在 PTB 和 CTB 树库上取得了 90.7% 的 F1 得分，成为最快的成分解析器之一。

Oct, 2018

该研究探讨了如何将基于上下文的分析方法转化为标注流程，并通过实验证明：推导树的线性转化和其与输入序列的对齐是实现精确标注标记的最重要因素。

Nov, 2022

利用新颖的动态预测模型，提高基于转移的 shift-reduce 算法在成分句法分析中的准确率。其中，我们针对自顶向下和自内向外两种转移方式的解析器设计了动态预测模型，可以显著提高句法分析的准确率，达到了 92.0 F1 的最佳水平。

Oct, 2018

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

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

使用大规模语言模型 (T5) 研究线性处理结构化数据的内部机制和能力以及模型压缩的潜力。

Apr, 2024