这篇论文研究了使用丰富的表示模型定义语法的表征和学习。我们考虑到一些不常见的字符串模型，其中位置可以具有多个共享属性，并且提出了一种基于部分排序结构的学习算法，利用这种关系来有效地修剪假设空间，该算法找到最一般的文法覆盖数据。

Jun, 2019

该研究提出了一种基于最小生成树的推断算法，可以将大规模的图形依赖分析模型边缘数量的运行时间复杂度降至 O (m)，并通过局部贪心更新进一步优化了有向解析树模型，验证实验表明，该算法在 18 种语言的测试中表现类似于原始解析器。

Oct, 2015

本文探讨了语言处理中的单词顺序问题，并提出了基于语言学、心理语言学、计算语言学和自然语言处理的理论模型。进一步，为了优化处理单词最小化相关性，提出一种新的单词顺序，重点关注远距离依赖的人类和计算语言处理困难。最后探讨这些单词顺序对于人类语言和计算模型的影响。

Aug, 2021

本研究展示了如何通过部分语音序列对一个新语言的基本语序事实进行预测，并且通过大量的合成语言训练数据，将这个通常被认为是无监督学习的问题转化成了有监督学习，从而成功地识别了一个语言的 POS 序列的表面特征（手工特征或神经特征）与其更深层次的结构（潜在树）相关性。该系统在该任务上表现出色，比语法归纳基线高出一个很大的优势。

Oct, 2017

本文提出基于 in-order linearization 的丰富 shift-reduce 线性化方法，应用于序列到序列组成部分分析，实现了英语 PTB 数据集的最佳准确性和与转移式的最先进 parsers 一样的速度。

May, 2020

本文提出了一种基于模板分区和对特征进行排序的配对学习和推理算法，用于大幅减少 NLP 组件中分类器中的向量点积的计算量和提高其速度，并通过词性标注、命名实体识别和基于转移的依存解析等三项实验验证了其实用性。

May, 2015

本文介绍了基于 Tree-to-String 模型的重新排序系统，并使用公开工具来完成任务。我们使用 Moses 工具包构建了翻译模型，然后应用 Moses 中的 Chart Decoder 对句子进行重新排序。通过实验发现，该方法在不同语言对组合中的 BLEU、Kendall-Tau 和 Hamming 指标上均有显著改善，同时提出了进一步改进的可能方向。

Feb, 2013

本篇文章研究依赖图的句法结构，针对平面的排列方法和投射的排列方法，分别提出了预期边长总和的计算方法，并用一个包含词语的句子来给出了平面排列的数量或生成平面随机排列的有效算法。

Jul, 2022

本研究探究了使用变量阶马尔可夫模型进行离散序列预测的算法，并比较了六种著名的预测算法和它们在三个不同领域的表现情况。研究结果表明，在序列预测任务中，一种名为 “decomposed” CTW 的变种和 PPM 算法表现最佳，而在蛋白质分类问题中一种名为 Lempel-Ziv 压缩算法的修改版显著胜出。

Jun, 2011

本研究介绍和归类了联合建模前 k 个部分排序和列表长度 k 的方法，包括将部分排序视为截断总排序的复合模型和将列表构建视为一系列选择决策的增强排序模型。通过使用来自旧金山学校选择和旧金山排名选择选举的部分排序数据，我们评估了这些模型对观测数据的预测能力和生成逼真合成数据集的效果。发现显式将长度建模为分类变量的复合模型能够生成具有准确长度分布的合成数据集，并且具有位置相关的项目效用的增强模型在训练数据中最佳地联合建模了长度和偏好，使用负对数损失进行度量。这项研究成果对模拟和评估征集排序偏好的真实社会系统具有重要意义。

Jun, 2024