通过生成类别而不是分类类别，我们提出了一种新的 CCG supertagger 方法，将每个类别分解为一系列更小的标记，以此更好地处理类别间的关系并增强与句子上下文的交互。该方法能够在标准 CCGBank 上实现最先进的标识 (95.5% 精确度) 和分析 (89.8% 标记 F1)，并在罕见类别、领域外文本和资源匮乏语言方面取得了有希望的结果。

Mar, 2021

本文从图论的角度重新审视结构调整式句法分析，并提出了一个基于异构动态图卷积的框架，以利用补丁标记器输出空间的独特结构。我们在涵盖不同语言和语法形式的分类语法数据集上测试了我们的方法，并获得了显著的改进。

Mar, 2022

我们提出了基于 HPSG 的新型超标注模型，通过 SVM 和神经网络方法在高质量标注的树库上进行训练，与基线相比，SVM 和神经超标注模型都取得了明显更高的准确性。我们的 BERT 超标注模型在 WSJ23 数据集和 Cathedral and the Bazaar 数据集上分别达到了 97.26% 和 93.88% 的准确率。因此，将这些新型超标注模型整合到现代 HPSG 解析器中是有意义的，并且希望我们在这里使用的多样而困难的数据集能在该领域中获得更多的关注。我们还提供了完整的数据集，格式化用于标记分类。

Sep, 2023

通过注意力图卷积网络以图形式建模词库中的信息，加强神经组合范畴语法（CCG）超标记，进而提高语法分析的准确性。实验结果表明，该方法在超标记和语法分析方面优于先前所有研究。

Oct, 2020

在许多自然语言处理应用中，神经网络在处理超出分布范围的示例时被发现无法进行泛化。本文通过多种方法对神经图形语义解析框架进行扩展以缓解这个问题，实验结果表明结构性约束对语义解析中的泛化是重要的。

Oct, 2023

提出了一种新的 A * CCG 解析模型，通过在双向 LSTM 上定义 CCG 类别和语法依存关系的因子，将树的概率分解成因子。我们的模型通过依赖关系显式地建模句子结构，并允许所有概率的预计算，因此运行效率非常高。我们的模型在英语和日语 CCG 解析方面取得了最先进的效果。

Apr, 2017

本文研究如何改进神经机器翻译，通过在 decoder 中插入 CCG supertags 的形式的目标语句法信息，进一步模拟复杂的句法现象，经过实验比较，发现这样的改进可以提高翻译质量，尤其是对于一些句法结构复杂的语言对。

Feb, 2017

本文介绍动态窗口方法和注意机制应用在组合范畴语法超标记的任务上，通过对局部上下文的关注来为每个单词分配词汇类别，同时应用 dropout 技术来提高性能。实验结果表明该方法在标准测试集上达到最佳表现。

Oct, 2016

提出一种可以将标签分配给句子中每个单词的成分解析算法，该算法使用了当前神经网络结构，可在与现有最先进解析器类似的精确度下实现实质性的速度提升，95.4 F1 测试集结果表明其算法性能优秀。

Apr, 2019

本研究探讨了在贪婪的基于转移的依存解析中使用丰富的超级标记特征的影响。通过为单词添加 Continue Vector representation of the entire supertag distribution 已经取得了最佳结果，通过在英语 Penn Treebank 上对 Stanford Dependencies 进行转化，最终实现了具有 88.6％ LAS 和 90.9％ UAS 的超级标记功能的贪婪基于转移的解析。

Jul, 2020