本研究基于构式语法，对大型预训练语言模型（PLMs）在构式结构和含义方面的性能进行了探究，并提出了未来研究的建议和挑战。

Feb, 2023

本文介绍了一种使用构造语法概念来丰富语言表示的方法，该方法由一种基于使用的构造语法框架支持，通过提取具有辨别性的构造，然后利用关系超图注意网络获取构造信息的表示来增强语言表示，实验结果表明该模型在各种自然语言理解任务方面具有明显优势。

Jun, 2023

基于组合范畴语法（CCG）的框架，本文提出了一种构成语义映射的方式来处理英语中各种比较结构，并引入了一个有效处理比较逻辑推断的推断系统，包括涉及数词形容词、反义词和量化词的比较。我们在 FraCaS 测试套件上评估了我们系统的性能，并表明该系统可以处理各种复杂的比较逻辑推断。

Oct, 2019

通过使用组合范畴语法（CCG）作为语法模型，研究人员发现可以更好地理解自然环境中语言理解的行为和神经相关性。使用 fMRI 收集参与者听故事期间的神经信号，研究发现 CCG 在解释神经信号方面的有效性优于上下文无关文法，并可以从可选附加语方面解释。

Oct, 2022

通过使用依存解析和 GPT-3.5，我们以显著降低的注释成本且能标注稀有现象的规模，开展了一系列针对语言模型 (CxG) 的实验。结果显示所有模型在理解 CMC 中增加的运动成分方面都存在困难。

Mar, 2024

本研究提出了一种基于组合范畴语法的组成性语义，并与基于自动定理证明的推理系统相结合，成功将英语中各种比较结构映射到语义表示中，本研究在包含比较、量词和数字的三个自然语言推理数据集上的实验证明该系统的表现优于之前的逻辑系统和最新的深度学习模型。

May, 2020

本研究旨在探究 BERT 模型是否有能力获取句法结构和语言构式方面的信息，并证明 BERT 模型可以获得大量的句法信息，这也为深度学习模型理解自然语言处理提供了新的思路。

Nov, 2020

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

深度学习和自然语言处理在构造语法研究中产生了强大的模型，通过训练填空问题，显示了对丰富的语言信息和结构化知识的访问，本文旨在探索计算方法和构造语法研究之间的协同关系，并提供了深度学习模型的综合概述，以促进这两个领域的研究者之间的合作。

Aug, 2023

该研究提出了使用一个语言模型预测的句子的语法正确性来评估该模型的数据集。实验结果表明，在众多句子变体中，LSTM 语言模型的准确性较差，而使用句法目标的多任务训练可以提高模型的准确性，但模型仍存在较大的进步空间。

Aug, 2018