本研究提出了一种基于依存句法分析的情感分析模型，并对其进行了改进，包括采用新的标签策略、图注意力网络和自适应多标签分类器来优化其性能，实验结果表明我们的模型在五个基准数据集上的效果大幅优于之前的最优模型。

Mar, 2022

为了改善句法解析器，我们提出了一种新的潜变量生成模型，可以使用大量的未标记文本来进行半监督学习，并通过可微的动态规划来提高解析器的准确性。

Jul, 2018

本文扩展了转换器模型，使其能够学习自然语言中的层次结构，得到了较好的无监督语法分析结果。

Mar, 2020

通过提出的 HiStruct+ 模型，将 Transformer-based language models 中的层级结构信息显式注入到提取式文摘模型中，提高了 PubMed 和 arXiv 数据集中提取式文摘的 ROUGEs 指标，实验发现：数据集对模型效果的影响是关键因素，数据集中的明显层级结构可以取得更大的性能提升，而在模型的表现中，层级位置信息的贡献最大。

Mar, 2022

该研究提出了一种基于语法规则的非监督句法树生成方法，利用了语言的通用语法知识，采用强化学习和自编码器等技术，在 MNLI 和 WSJ 两个基准数据集上实现了最好的结果。

May, 2021

本文研究如何应用基于图的语义解析器直接从文本预测情感图来完成结构化情感分析的任务，取得了在 5 个标准基准测试集中 4 个的最先进结果，并公开了源代码、模型和预测结果。

Mar, 2022

本论文研究了在不需要大量预训练的情况下，以结构为导向的指导是否能够使 Transformer 语言模型学习更接近人类的系统语言泛化。通过在 BLLIP 数据集上对两种新模型进行实验，研究者发现引入结构性解析的辅助训练能够提高 Transformer 语言模型在句法推理上的泛化能力。

Jul, 2021

本文介绍了 StructVAE 这样一种半监督语义解析的变分自编码模型，通过学习来自有限的并行数据和广泛可用的未标记的自然语言表述，构建 MRs 树状结构隐藏变量，实验表明，结合额外的未标记数据，StructVAE 可以超越强有力的监督模型在 ATIS 领域和 Python 代码生成任务上的表现。

Jun, 2018

本文提出了一种对视觉场景图和语言依赖树进行联合建模的无监督学习任务，并构造了一个新的数据集 VLParse，提出了基于对比学习的 VLGAE 框架用于 VL 短语理解和语言语法归纳。实验结果表明了视觉信息和语言依赖关系对于 VL 结构建模的有效性。

Mar, 2022

本文提出了一种新的统一框架，将结构化情感分析问题作为依存关系图解析，其中节点是情感持有者、目标和表达式，弧是它们之间的关系。在四种语言的五个数据集上进行实验，结果显示这种方法比现有技术有更好的表现，并通过依存语法信息改进情感图产生了更好的结果。

May, 2021