基于决策树学习技术的统计分析器 SPATTER，相比语法分析器，在分析较短或较长的句子时表现良好，准确率可达 91%，主要依赖于词汇和语境信息。

Apr, 1995

本文研究了四种不同的句法 CCG 解析器在语义槽填充任务中的有效性，探讨语法监督对下游语义分析的影响，并发布了一个新的 Freebase 语义解析数据集 SPADES，其中包含 93K 道的填空题和答案。

Sep, 2016

本篇论文介绍了一种基于语言模型的 seq2seq 体系结构，重点介绍了少样本语义解析，并基于非注释数据引入联合训练、有约束的解码、自训练和重新表述这四种技术进行了自动方法来提高语义解析性能。结果表明，该方法在夜间数据集上提供了新的最优结果，并在新的语义解析数据集上提供了非常令人信服的少样本结果。

Apr, 2022

这篇论文探讨了语义解析中的挑战，特别关注有限数据和计算资源的情况，提供了使用自动数据处理、知识转移、主动学习和持续学习等技术的解决方案。

Sep, 2023

我们提出了一种新的成分分析模型，将分析问题转化为一系列指向任务，支持高效的自上而下编码和学习目标。实验表明，我们的方法在不使用预训练模型的情况下取得 92.78 F1 的结果，使用预训练 BERT，达到了 95.48 F1 和最先进的技术水平相当。此外，我们的方法也在多语种成分分析领域实现了最新的技术进展。

Jun, 2020

该论文提出了一种创新方法，利用大型语言模型进行自训练，通过将源领域的部分句法规则与目标领域的句子结合起来动态生成训练数据，增强了解析器对多样领域的适应性，实验证明该方法的有效性，F1 指标优于基于规则的对照组 1.68 点。

Feb, 2024

通过训练多个数据集和自然语言的模型，实现多语言语义解析，将文本转换为代码标识，通过图形解码框架并在多个基准测试中取得了最优表现。

Mar, 2018

本文提出一种有效的方法来使 constituent parsing 更加准确，通过学习切换标记方案、降低标签集的稀疏性、并细化多任务学习以减少错误传播，加上辅助损失和策略梯度句子级微调等技术，成功优化了英文和中文 Penn Treebanks 数据集的连续标记 constituent parsers 的性能，并在 SPMRL 数据集上实现了更大的性能提升，包括在巴斯克语、希伯来语、波兰语和瑞典语上建立了新的 state of the art。

Feb, 2019

本文介绍了一种基于 label 和 span 独立评分的最小神经模型，并证明了该模型不仅与经典的动态规划技术兼容，而且还支持一种基于递归分割的新颖贪心自顶向下推理算法。经实验证明，两种预测方案竞争力强，并且与得分模型的基本扩展相结合，能够实现 Penn Treebank 的单模型最优性能（91.79 F1），并在法语 Treebank 上获得强大的性能（82.23 F1）。

May, 2017

利用大型预处理语言模型作为少型语义解析器，将输入 paraphrase 成类似英语的控制子语言，通过很少的数据和代码快速批量生成语义解析器，表现出令人惊讶的有效性，远超过基线方法。

Apr, 2021