本研究应用图神经网络（GNN）构建更高阶语义依存解析器，通过多个 GNN 层的聚合获得更高阶信息，实现近似推理，实现在 SemEval 2015 任务 18 英语数据集上超越先前最先进的解析器。
Jan, 2022
本文实现了第二阶段语义依赖解析器，使用平均场变分推理或循环置信传播算法来近似第二阶段解析，然后将两种算法展开成神经网络的递归层以进行端到端的训练，实验结果表明我们的方法实现了最新的最佳性能。
Jun, 2019
本文在深度学习时代，首次提出将二阶 TreeCRF 扩展到 biaffine 句法分析器，通过 27 个数据集的实验和分析，显示出在部分有标记训练数据的情况下，表现结构学习（全局 TreeCRF 损失）和高阶建模依然有用，可以进一步提高句法分析性能。
May, 2020
本篇论文利用神经关注力和双仿射分类器，在较大规模的语法分析器上获得了最新的科技水平，并介绍了超参数选择对性能的显著影响。
Nov, 2016
我们提出了一种新的无监督神经依赖模型的二阶扩展，它可以包含祖父 - 子或兄弟信息，并使用基于一致性的学习框架联合训练一二阶无词汇化模型和一阶词汇化模型，实验表明我们的二阶模型在多个数据集上的效果优于最近的最先进方法，并且我们的联合模型在完整的 WSJ 测试集上取得了 10% 的改进。
Oct, 2020
使用双仿射模型进行神经话语依存分析，与基线分析器相比实现了显著的性能提升。使用 Chu-Liu-Edmonds 算法生成的树更深，性能更好。虽然该语料库允许非项目结构，但分析了非项目性的复杂度并发现其依赖结构不超过一个间隔度和一个边缘度。
本文提出了一种使用信息传递和端到端神经网络进行二阶图形神经依赖解析的方法，说明了我们的方法与最近最先进的二阶图形神经依赖解析器的准确度相匹配，并且在训练和测试中速度显著更快。同时，实证表明，相较于一阶解析，二阶解析的优势与使用 BERT 嵌入时的头部选择结构约束的有用性相似。
使用简单的辅助任务来增加语义依存分析（SDP）性能，对英语无环数据集和法语深层语法循环图进行实验，显示了在基于 Transformer 的上下文表示的接近最新技术基线上的有限但系统性能改善，从而提供了一种简单而稳健的提高 SDP 性能的方法。
Feb, 2024
本文提出了一种能够同时进行全局特征提取和线性时间推理的依存句法分析模型，支持投影和非投影句子的解析，经检验表现良好。
Nov, 2019
本论文提出了一种基于层次指针网络的转移式解析方法，该方法在依赖和语篇关系解析方面具有优异的表现，超过现有方法并创造了新的最高水平。
Aug, 2019