通过多语言学习，并运用层次贝叶斯模型和马尔可夫蒙特卡洛采样技术，我们证明了在无监督词性标注中应用多语言学习的有效性，且在可用语言数量增加时，性能稳定提升。

Jan, 2014

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

本论文研究了无监督机器学习在自然语言方面的应用，提出了三种新算法，旨在考察 “刺激贫乏” 问题以验证人类是否具有特定内在语言知识，最终得出刺激贫乏论不受证据支撑的结论。

Dec, 2002

为了简化未监督学习句法结构的研究并标准化其最佳实践，我们提出了由十二个通用词性类别组成的标签集，同时我们还开发了一种映射由 25 个不同的树库标签集转换为这个通用集的方法。与原始的树库数据相结合，这个通用标签集和映射生成了一个由 22 种不同语言的常见词性组成的数据集。我们通过两个实验来突出使用这个资源的优点，其中一个实验报告了未使用黄金标准词性标记进行无监督语法归纳的竞争准确性。

Apr, 2011

本文描述了一种针对低资源语言的无监督词性标注方法，利用了 Brown 等人在 1992 年提出的经典聚类方法和一种解密方法实现了标注结果的有效构建，并将其应用于 Sinhalese 和 Kinyarwanda 两种极度缺乏标记训练数据的语言中，实现了较高的标注性能。此外，该方法还将集成到真正的零资源模型中，取得了可靠的效果。

Apr, 2019

本文介绍了一种快速适应新域的 POS 标注器的方法，该方法利用大量文本中收集的后缀信息和字形信息以增加词汇覆盖率，在生物领域的实验中表现出了与该领域中特别训练的 POS 标注器相当的结果。

Oct, 2014

该研究针对无标注文本完全无监督学习语法 (词性) 类别的问题，通过参数和非参数约束对标准的最大似然隐马尔可夫模型进行优化和修改和达到了在多种语言上显著提高的效果。

Jan, 2014

本文探讨如何在没有专门的句法指导的语料库中从语料学习句法的可行性，以语料库的观察结构为基础，通过定义和隔离语法和意义 / 语用学信息，我们描绘了自主语法的形式特征，并展示了通过简单的优化过程搜索基于语法的词汇类别，而无需对模型形式做任何先验假设的可能性。

May, 2020

提出了一种新颖的生成模型，通过串联一个可逆神经网络和一个结构化的生成先验，在无监督的情况下联合学习离散的句法结构和连续的词表示，实现了高效的精确推断和边缘似然计算，并在两个任务中进行了实验评估。

Aug, 2018

通过比较学习的计算过程，本研究模拟了人类婴儿习得第一门语言的方式，开发了一种用于词汇习得的计算过程，通过筛选和提取共享语言标签的共同信息，并将词汇的习得过程视为信息过滤和符号映射，以实现有效的持续学习。在对照实验中得到的结果显示了这种方法在词汇习得方面的潜力。

Jul, 2023