本研究探讨使用神经网络来识别规则语法，我们训练了一个 RNN 来区分符合正则语言规则的字串与不符合的字串，并利用算法提取学习到的有限自动机，我们发现了关于网络状态之间联系的意想不到结果，这可能被视为泛化的证据。

Oct, 2017

本研究介绍了递归神经网络语法与其使用的高效推理过程，分别应用于句法分析和语言模型，实验结果表明在英文的句法分析和英汉语言模型方面，其效果均优于所有以前发表的有监督生成模型和最先进的序列 RNNs。

Feb, 2016

本研究提出了一种分而治之的迭代投影方法，用于上下文无关文法推断。相对于大多数自然语言处理模型，我们的方法只需要相对较少的离散参数，使得学习到的文法可以直接解释。此外，我们的方法可以从极少的语料中推断出有意义的语法规则。我们演示了几种应用该方法的方式：从头开始分类词汇和推断语法，使用现有文法并细化其类别和规则，以及在遇到新数据中的新词汇时扩展现有的文法词汇。

Jan, 2022

本研究提出了一种基于神经网络的转移句法解析器，利用变分推断、后验正则化和方差减小技术训练模型，实现了无监督依赖语法归纳并在英语 Penn Treebank 和 Universal Dependency Treebank 上取得了可以与基于图的模型相媲美的表现，并且在实验比较中显示出比基于图的模型更快的解析速度。

Nov, 2018

我们研究了一个语法归纳问题的正式化，其将句子建模为由复合概率上下文无关文法生成。与传统的学习单一随机文法的方式不同，我们的文法的规则概率由每个句子的连续潜变量调制，这在传统上下文无关假设以外引出了边际依赖性。这种文法的推理通过折叠变分推理实现，在这种方法中，连续变量上放置平化的变分后验，并通过动态规划边际化潜在树。针对英语和中文的实验表明，与最近的最先进方法相比，我们的方法在无监督语法分析评估时非常有效。

Jun, 2019

该研究针对最近基于潜在树学习的神经网络模型探索，探索在非解析任务下使用解析值潜变量训练模型，用于发现可解释的树形结构，并成功在语言建模和成分句法分析领域展示了潜在树学习的实用性。

Aug, 2018

本文提出了一种基于语料库的概率上下文无关文法识别算法，它采用贪心启发式搜索和一种基于贝叶斯框架的后处理方法，并在三个语言建模任务中与 n-gram 模型和 Inside-Outside 算法进行了比较，结果表明我们的算法在两个任务中，即使用概率上下文无关文法生成的数据上优于另外两种算法，在第三个任务中，我们的算法不如 n-gram 模型，但比 Inside-Outside 算法表现优异。

May, 1995

本文介绍利用无监督学习方法，采用变分推断的深度学习算法，成功地应用于语法树和句子的生成，在语言建模和语法识别领域已经有较广泛的应用。

Apr, 2019

通过对模型、数据进行改动以及嵌入注意力机制，研究表明 RNNG 模型中显式建模组成部分对于实现最佳性能至关重要；并通过注意力机制发现，头部性在短语表示中起着核心作用，而短语表示与非终结符的依附关系最小化支持了前缀假说。

Nov, 2016

该研究提供一种产生概率语法的框架，通过对正例语料库进行舍选规则加入工作语法，利用贝叶斯后验概率来决定合并元素的时机，从而得到更通用且更紧凑的概率语法模型。本研究运用了三种类型的概率语法模型：隐马尔可夫模型，基于类的 n 元模型，和随机上下文无关文法。

Sep, 1994