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

本文介绍了一种基于张量分解的新的概率上下文无关文法参数化形式，其符号数量的计算复杂度最多为二次，适用于大量符号，可以进一步使用神经参数化来改善无监督解析性能。

Apr, 2021

本研究比较基于词汇化和非词汇化的句法分析模型的性能表现，提出了一种基于结构 - 标签转换系统和双向 LSTM 评分系统的非词汇化转换型分析器，结果表明非词汇化模型在处理不连续组分句法结构时具有更好的性能表现，尤其是在英语和德语的领域中。

Feb, 2019

该研究提出了一种基于语法规则的非监督句法树生成方法，利用了语言的通用语法知识，采用强化学习和自编码器等技术，在 MNLI 和 WSJ 两个基准数据集上实现了最好的结果。

May, 2021

本篇研究将深度限制的方法应用于概率无上下文语法归纳，并在语法获取方面取得了出色的结果，并且从该模型中获得的语法证明了对类别标签的一致使用。

Feb, 2018

通过使用一种新的过渡系统，将存储子树的方法改为带有常数时间随机访问的解析项集合，设计了一种能够在 4n-2 次转换中完成长度为 n 的任何不连续成分树构建的解析策略，同时引入了一个可靠的动态预测器用于该过渡系统，并在三个英语和德语的不连续成分分析树库上实现了最先进的结果。

Apr, 2019

本文提出一种参数化 Neural lexicalized PCFGs 的方法，该方法直接模拟双词依赖性，并同时降低 L-PCFGs 的学习和表达复杂度，实验结果表明该方法提高了解析性能。

May, 2021

本文探讨了当前神经语法学习方法对句法结构的表征方式，以及限制神经语法学习方法的表征能力的主要因素，并利用概率上下文无关文法为基础，说明上下文对神经语法学习方法进行语法分析决策时的关键作用。

Jun, 2021

提出了一种用于跨度句法分析的基于图表的新算法，可以处理块度为 2 的不连续依存树，包括病态嵌套结构，在时间复杂度为 O (n^(6~3)) 之间构建其变异版本，并在德语和英语树库上评估其性能，包括预先训练的词嵌入和基于 BERT 的神经网络。

Mar, 2020

本论文研究了 LLMs 在信息提取等任务中生成复杂输出结构的问题，提出了一种基于形式语法约束的解码方法，通过合理的限制保证生成的符号序列能够具有语法正确性，同时在大型符号集信息提取和实体消歧方面取得了良好的效果，结果表明在缺乏训练数据、后调较为昂贵的场景下，采用基于形式语法约束的解码策略能够有效提升模型生成结构化输出的能力。

May, 2023