引入了一种将任何工程性依赖树表示为一系列 4 位标签（每个词一个标签）的用于解析的编码方法，其标签的位表示（1）是否为左或右从属关系，（2）是否为其父节点的最外层（左 / 右）从属关系，（3）是否具有左子节点，和（4）是否具有右子节点。在多个不同的树库上进行的实验结果表明，与以前表现最佳的序列标注编码方法相比，我们的 7 位编码方法在准确性上取得了显著的提升，并且扩展了覆盖范围，几乎达到全非工程性弧的 99.9% 的经验弧覆盖率。

Oct, 2023

本文研究使用基于 BiLSTM 的序列标注方法重构了依存句法分析，并通过在 PTB 和 UD 树库样本上的实验，证明该方法在速度和准确性之间提供了很好的平衡，结果与更复杂的方法相当竞争力。

Feb, 2019

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

我们定义了从自左向右读取句子的基于转移的解析算法到序列标注编码的句法树的映射。这不仅建立了基于转移的解析和序列标注解析之间的理论关系，而且提供了一种从不同形式的现有基于转移的解析器中获得快速简单的序列标注解析的新编码的方法。将其应用于依赖分析，我们实现了四种算法的序列标注版本，结果显示它们是可学习的，并且具有与现有编码相当的性能。

Nov, 2020

本文提出了一种能够同时进行全局特征提取和线性时间推理的依存句法分析模型，支持投影和非投影句子的解析，经检验表现良好。

Nov, 2019

DepProbe 是一个能够从嵌入中提取有标签和有向依赖解析树的线性探针，使用的参数较少，计算复杂度较低，并且在选择最佳转移语言以训练完整的双仿效注意解析器方面表现卓越。

Mar, 2022

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

本文针对英文和中文的语义角色标注进行了实证分析，并通过联合标签的转换方案，将 SRL 注释打包至依存树表示中，并证明该表示法有望进一步将句法方法结合到语义角色标注中。

Oct, 2020

通过深度神经网络处理输入进一步编码为潜在变量，包括在序列中使用连续潜在变量对输入进行编码的局部自编码分析器（LAP）和在依存树中使用依赖树作为潜在变量对输入进行编码的全局自编码分析器（GAP），使用统一结构和不同的损失函数处理有标记和无标记的数据，并在 WSJ 和 UD 依存解析数据集上进行实验，展示模型能够利用未标记的数据来提高性能，并超越以前提出的半监督模型。

Nov, 2020

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