该论文介绍了 Stanford 的 CoNLL 2018 UD 共享任务中的系统，这是一个完整的神经管道系统，可以将原始文本作为输入，并执行共享任务所需的所有任务，从分词和句子分割到词性标注和依赖关系解析，并通过广泛的消融研究展示了不同的模型组件的有效性。

Jan, 2019

本文提出了一种使用信息传递和端到端神经网络进行二阶图形神经依赖解析的方法，说明了我们的方法与最近最先进的二阶图形神经依赖解析器的准确度相匹配，并且在训练和测试中速度显著更快。同时，实证表明，相较于一阶解析，二阶解析的优势与使用 BERT 嵌入时的头部选择结构约束的有用性相似。

Oct, 2020

FASTPARSE 团队针对 IWPT2020 的 EUD Shared Task 提出一种训练和推理效率结合的模型，结合神经依存解析和基于规则的系统，将 UD 树映射为 EUD 图，在官方提交中获得 74.04 的平均 ELAS，排名第 4。

Jun, 2020

该论文介绍了 ADAPT 系统参加 2020 年 IWPT 共享任务的解析增强通用依存关系的方法，采用 UDPipe 和 UDPipe-future 构建管道方法，使用语义依存图解析器或一系列启发式规则来增强依存图，并在语言平均值方面达到了 79.53 分，可以成功实现增强依赖句法分析任务。

Sep, 2020

我们提出了 Køpsala 系统，它通过一个统一管道实现了增强型通用依赖关系和意义表示的解析，并利用适应自 Che 等人（2019）的基于转换的图形解析器来完成增强型图形解析。

May, 2020

我们提出了一种新的无监督神经依赖模型的二阶扩展，它可以包含祖父 - 子或兄弟信息，并使用基于一致性的学习框架联合训练一二阶无词汇化模型和一阶词汇化模型，实验表明我们的二阶模型在多个数据集上的效果优于最近的最先进方法，并且我们的联合模型在完整的 WSJ 测试集上取得了 10% 的改进。

Oct, 2020

本文描述了我们的系统（HIT-SCIR），该系统提交给 CoNLL 2018 共享任务，涉及从原始文本到通用依赖的多语言解析。我们基于斯坦福的获胜系统进行提交和进行了两个有效的扩展：1）将深度上下文化词嵌入到词性标记器和解析器中；2）集合使用不同初始化的解析器进行训练。我们还探索了不同的合并树库的方法以进行进一步的改进。开发数据上的实验结果显示了我们方法的有效性。在最后的评估中，我们的系统在 LAS（75.84％）上排名第一，并大幅跑赢了其他系统。

Jul, 2018

本文实现了第二阶段语义依赖解析器，使用平均场变分推理或循环置信传播算法来近似第二阶段解析，然后将两种算法展开成神经网络的递归层以进行端到端的训练，实验结果表明我们的方法实现了最新的最佳性能。

Jun, 2019

本文介绍了一种基于深度学习的语义依存图形式分析系统，该系统采用效率高且几乎拓扑结构简单的推理方法，通过组合双向 - LSTM 和多层感知机，能够在不使用手工特征或语法的情况下显著提高语义依存分析的技术水平。作者还对多任务学习策略进行了研究，并获得了新的技术成果。

Apr, 2017

本研究提出了一种基于图形的端到端神经网络依赖解析器，这种解析器可以训练为复制边缘得分矩阵，从而可以直接在单词对齐上进行投影，并取得了相较于之前的最新技术，在 10 种语言上的 2.25% 的绝对改善。

Jan, 2017