通过对依存分析模型理解，提出一种不需要人工定义子结构的新的自动评估度量标准，以获取词汇相似性，并取得系统水平的最佳性能。

Aug, 2015

本论文关注结构化数据的文本生成问题，并着眼于通过跨语言嵌入、预训练和多语言模型生成 21 种不同语言的 AMR 到文本模型。通过分析人类评估，我们发现我们的多语言模型能够准确捕捉形态和语序，并被母语人士视为流畅。

Nov, 2020

本文针对从 AMR 生成英文文本的文本生成技术的研究，提出了新的人类评估方法，以便更准确地衡量其流利程度、完备性和错误类型，结果显示人类判断能够提供更细致的比较结果和常见错误分析。

Apr, 2020

我们提出了一种评估多语言大型语言模型在多形式语法结构方面学习句法的方法，将分析转化为序列标记，通过选择几个语言模型并在 13 个多样化的依赖解析树库和 10 个成分解析树库上研究它们，结果表明：（i）该框架在多种编码上一致，（ii）预先训练的词向量不偏好成分句法表示，而是倾向于依赖表示，（iii）子词标记化需要用于表示语法，与基于字符的模型不同，（iv）从词向量中恢复语法时，语言在预训练数据中的出现比任务数据的数量更重要。

Sep, 2023

本文提出了无监督词形范式补全的任务，并介绍了一个通过编辑树检索、范式规模探测和屈折生成等步骤生成词态的系统，该系统在 14 个语言上得到了很好的性能。

May, 2020

本文以 Universal Dependencies 项目为例，通过开发一种自动化框架实现从原始文本中提取语法规范，并聚焦于提取描述协议的规则。我们使用跨语言转移的方法，即使在语言专家的注释不可获得的情况下，也能提取出几乎等同于大量黄金标准注释数据所创建的语法规范。

Oct, 2020

本论文研究 AM 依赖解析的新方法，包括 A * 和基于转移的解析器，可以提高解析速度并维持或提高准确性。

Sep, 2020

本研究提出了一种新的基于 GRUEN 模型的评估语法、无冗余、焦点、结构和连贯性等语言生成质量的自动评估指标。该指标不需要人工参考，具有无监督，确定性和适应性等优点，并通过实验验证了与人类评判高度相关的结果。

Oct, 2020

通过依存句法树到常量句法树的转换，使用递归神经网络语法模型（RNNGs）进行训练，并在多语言环境下进行了实证评估，来探讨在学习模型时哪种树形式最佳，对哪些语言最适用，并通过七种类型的句法测试比较了 9 种转换方法和 5 种语言的语言模型表现，研究结果显示，最佳模型相对于最差模型在所有语言中的精确度提高了 19％，也证明了在多语言环境中注入语法的积极作用。

Apr, 2022

通过引入句法归纳偏差，使用依赖分析树驱动转换器模型迭代生成句子，实验证明其比 LSTM 和 Transformer 更有效，并具有可比拟的多样性且需要较少的解码步骤，生成过程允许对生成文本的句法构造进行直接控制，从而实现风格变形的归纳。

Apr, 2020