本篇论文研究了 VP 协调结构中的复杂句法现象 - 动词省略，提出了一个基于文本直接操作和使用分割和重述范例以恢复缺失元素的联合解析任务。通过提出一个语用省略框架和自动可扩展数据集收集方法，得到了一个包含超过 10K 个自然出现的动词省略例子的大型数据集，并对此任务进行了各种神经基线的训练。最后，本文将我们的数据集、度量和模型作为该领域未来研究的起点。

May, 2023

我们研究了结构化监督在汉语中的效果，结果表明结构化监督可以帮助语言模型学习句法和语义关系，并且在低数据情况下表现出更好的性能。

Sep, 2021

研究了处理介词短语附着歧义的语料库或统计方法，证明了问题类似于语音识别中的 n-gram 语言模型，使用了最常见的语言建模方法之一，得到了 84.5％的准确性。低计数事件也很重要 - 忽略训练数据中发生不到 5 次的事件会将性能降至 81.6％。

Jun, 1995

通过对中国名词短语的语境分析，研究论文表明汉语说话者经常省略复数和定冠词标记，并使用计算模型进行预测。

Mar, 2024

通过研究基于人工神经网络编码的句子语境和词汇形态，本研究构建了五个数据集并测试了模型的可靠性，结果显示该方法对于某些动词变化是可行的，但对于其他动词变化则难以提取细粒度的字面信息。

Nov, 2018

该研究提出了使用一个语言模型预测的句子的语法正确性来评估该模型的数据集。实验结果表明，在众多句子变体中，LSTM 语言模型的准确性较差，而使用句法目标的多任务训练可以提高模型的准确性，但模型仍存在较大的进步空间。

Aug, 2018

通过使用模糊性相对子句附加来扩展语言模型在多重同时有效解释的情况下的评估方法。我们比较了英语和西班牙语模型的表现，以展示 RNN LMs 中的非语言偏见优势重叠在英语而非西班牙语的句法结构上。因此，英语模型可能具有类似于人类的句法偏好，而在西班牙语上训练的模型无法获得类似的人类句法偏好。

May, 2020

使用深度学习方法训练的人工神经网络可以在一定程度上模拟人类语句处理的神经机制，但由于某些长距离内嵌依赖的影响，尚不支持完全递归，并且在与人类检测单复数一致性方面具有类似的误差模式。

Jun, 2020

通过观察人工神经网络在解决交流任务时是否会出现类似的共同体结构，本研究旨在更好地理解共指结构在自然语言中的起源。研究结果显示，尽管存在增加歧义的可能性，带有共指结构的语言仍然可以被神经模型学习；共指结构在模型之间可以 “自然地” 出现，而不需要额外的约束；在说话者身上施加明确的效率压力会增加这些结构的普遍性。研究得出的结论是，在神经网络之间，某些语用结构可以直观地出现，而不需要明确的效率压力，但是说话者和听话者之间相互竞争的需求会影响它们出现的程度和性质。

Aug, 2023

研究表明，语义的影响会影响人类和神经语言模型在主谓一致任务上的表现，BERT 对此更为敏感。

Sep, 2022