在中心嵌入结构中，省略动词短语（VP）会产生一种语法上的错觉，而在中文的缺失 NP 中心嵌入结构中也表现出类似的错觉。然而，对其本质并没有共识。我们认为，将动词的不确定解释视为最好解释这种现象的方式，而非将其视为语法上的错觉。为了进一步支持这一假设，我们在准中心嵌入结构上进行了两个脑电图（EEG）实验，通过将自我嵌入的关系从句放置在句子的主语位置来减少复杂性。实验 1 表明，即使在这种结构中也存在类似的现象，证据是缺乏 P600 效应和存在 N400 效应。在实验 2 中，通过提供语义线索来减少歧义性，消除了这种错觉，证据是存在 P600 效应。我们根据园路理论解释了这些结果，并提出了词序差异可能解释这种跨语言变异。

Feb, 2024

本文提出两种方法将省略部分显式地编码到附加结点和边中，以解决包含省略部分的句子的表面句法表示质量较差和下游自然语言理解任务中的信息提取难题，其中一种方法适用于其他语言，如瑞典语。

Apr, 2018

提出了一种基于问题回答 (QA) 架构的英语省略解析替代方法，单任务模型表现优于现有技术且与辅助 QA 和指代消解数据集联合训练的模型可以高效解决 Sluice Ellipsis 和 Verb Phrase Ellipsis 等英语省略现象 (效衡值从 70.00 提升至 86.01 和从 72.89 提升至 78.66)。

Aug, 2019

本研究提出一种新颖的联合学习框架，用于解决复杂的多轮对话理解中的指代消解和查询重写，通过在进行中的对话中预测查询和对话上下文之间的指代链，并生成自包含的重写查询，可显著提高查询重写的性能，并在数据集 MuDoCo 上优于最先进的指代解析模型。

May, 2021

提出了一种基于谓词模式和受限优化框架的代表性算法，用于解决自然语言理解中的指称消解问题，特别是针对代词的困难实例。该算法通过无监督方式获取知识，编译自动约束，显著提高了 “Winograd-style” 难例的性能，并在标准指称消解数据集上表现出最先进的水平。

Jul, 2019

研究了神经语言模型代表短语级别特征的能力，使用协调名词短语作为研究案例，发现模型使用 NP 成分数量的线性组合来驱动 CoordNP/​​verb 数量协议。模型在性别协议方面成功较少。使用大型语料库训练的模型表现最佳，并且使用显式句法监督训练的模型没有明显的优势。

Sep, 2019

提出了一种更加语法化的方法来处理名化结构中的构成成分，并利用基于上下文的词表示来构建依存句法分析，实现了高准确率的动名对应。

Jun, 2023

该论文提出了一个带有省略标签的高质量数据集，用于对话摘要中的省略检测，研究发现，通过提供省略标签，可以实现摘要模型中省略信息的恢复，从而显著提高摘要质量，因此提出一个省略检测任务，基于该数据集支持该任务的训练和评估，同时呼吁基于该数据集进行的省略检测研究。

Nov, 2022

该研究通过中文话题链理论阐述了角色 - 动词的连续性如何区分了省略的代词和表述的故事角色的选择，并表明省略主语的情况下，角色 - 动词连续性比非省略主语更显著，从而证明了话题的一致性在可选省略代词的语言和情境中确实促进了代词的省略。

Sep, 2022

使用人类的句法直觉构建了一种部分括号感知的结构化斜坡损失，通过训练和应用于自然出现的括号数据，实验表明相较于其他无监督系统，我们的模型更准确地诱导了句法结构。在英语 WSJ 语料库上，我们的模型对于成分分析获得了无标签 F1 得分 68.9。

Apr, 2021