该研究提出了一个基于神经编码器 - 解码器的转移句法分析器，可以作为关于最小递归语义的完全覆盖的语义图分析器，预测图与非词汇化谓词及其标记对齐共同。该分析器比注意力模型基准更准确，并且在 GPU 批处理方面比高精度基于语法的分析器快一个数量级。此外，我们的最小递归语义分析器的 86.69％ Smatch 得分高于 AMR 分析的上限，这使得 MRS 成为有吸引力的语义表示选择。

Apr, 2017

本文介绍了一种基于插入变换器的非自回归解析器来提高语义解析效率和跨语言迁移学习的能力，并在多个数据集上进行测试。

Oct, 2020

本文介绍了一种关注编码器，结合了树状递归神经网络和序列循环神经网络，用于对模拟句子对。我们的关注编码器将 RNN 生成的一个句子的表示用于指导另一个句子的结构编码，评估结果表明，在语义相似度和释义选择方面，我们的编码器优于所有基线，并取得了最佳结果。

Oct, 2016

本文提出了一种不依赖于语法分析的树形模型，名为 Neural Tree Indexers，该模型可以以自底而上的方式处理输入的文本，从而构建完整的 n 叉树，其中包括结构和节点功能，借助注意机制，该模型在自然语言推理、答案句子选择和句子分类等三个不同的 NLP 任务上的表现超越了现有的 RNN 和递归神经网络。

Jul, 2016

本研究提出了一种基于任务的语义解析模型来提高在低资源环境下的学习效率，并通过预处理和训练过程探索了本体标签的内在属性，以作为知识库，最终实现了在模型效率和性能方面的提升。

Apr, 2021

通过引入任务关系蒸馏和原型伪标签方法（RDP），我们以循序渐进学习的方式解决了增量命名实体识别所面临的灾难性遗忘和背景偏移问题，实验结果表明我们的方法在微观 F1 分数和宏观 F1 分数上平均提高了 6.08% 和 7.71%。

Aug, 2023

使用检索式建模的思想，为会话助手的多领域任务定向语义解析问题引入了 RetroNLU 方法，通过在序列到序列模型中扩展检索部件，我们的技术在语义解析的不同语言表达复杂度下均比基线更为出色，尤其是在数据稀缺环境下，只需 40％的数据即可达到基线模型准确度的匹配，超越基线方法 1.5％的绝对宏 - F1。

Sep, 2021

本文提出一个使用自上而下分析的模型进行基于规则剪枝的自适应语法归纳的方法，使得像 CKY 模型这样的基于递归的解析器可以更加高效地处理复杂的自然语言，实验证明该方法在语法归纳方面表现显著。

Mar, 2022

提出了一种改进的 DT-RNN 模型，使用句法分析中识别出的语法关系类型来识别非近义句子，实验结果表明，在 SICK 数据集上进行的语义相关性和文本蕴含识别任务上，该模型比 DT-RNN 模型的分类准确率提高了 2%，且模型预测的相似度得分与人类评分的 Pearson 和 Spearman 相关系数均高于标准 DT-RNN 模型。

Jan, 2022

本研究提出了一种基于非自回归模型和卷积神经网络的有效序列到序列模型，以预测语义分析树，实现了较传统循环神经网络模型更高的时延优化和参数规模缩减，并在三个不同的语义分析数据集上表现出竞争性能力。

Apr, 2021