提出了一种基于RNNs和动态规划的图结构堆叠和波束搜索的线性时间组成成分句法分析器，通过集成立方剪枝，可以将其运行速度进一步提高到O（n b log b），相对于图表解析基线，此线性时间解析器在长句子上的速度明显更快，对于话语分析来说速度更快，是单模型端到端系统中在Penn Treebank上达到的最高F1准确度。

May, 2018

该论文介绍了一种将成分解析简化为序列标注的方法，并使用该方法在PTB和CTB树库上取得了90.7%的F1得分，成为最快的成分解析器之一。

Oct, 2018

本研究比较基于词汇化和非词汇化的句法分析模型的性能表现，提出了一种基于结构-标签转换系统和双向LSTM评分系统的非词汇化转换型分析器，结果表明非词汇化模型在处理不连续组分句法结构时具有更好的性能表现，尤其是在英语和德语的领域中。

Feb, 2019

本文使用Shen等人(2018)的句法分析算法来恢复基于“句法深度”代理的短语结构树，并使用常规LSTM语言模型提供的代理进行比较，发现偏向于右分支结构的解析算法可以夸大语言模型的表现能力。

Sep, 2019

研究基于序列的神经网络与基于树的网络在句法任务上的表现，并比较常见的句法表示方法对句法结构带来的影响，同时发现基于组成结构的网络更具鲁棒性，通过少量构建的数据fine-tune可以显着提高序列模型的性能，表明数据增强是为序列模型注入句法偏置的可行替代方案。

Apr, 2020

本文分析了几种最近的无监督组分句法分析模型，介绍了强大的基准线，并提出了一种基于少量标注数据的组分句法分析方法，这种方法可以通过简单的数据增强和自我训练进一步提高性能。这表明，为了得出公正的结论，我们应当仔细考虑用于模型开发的标注数据量。

Oct, 2020

本文提出了一种基于无监督成分测试的无监督解析方法。通过使用一组转换和一个无监督的神经接受模型来制定无监督解析器，以生成给定句子的树，通过聚合其成分测试判断来评分。并且通过反复改进预测出的树和提高语法性模型之间的相互作用，进一步提高了准确性。

Oct, 2020

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

我们研究了无监督的成分句法分析任务，该任务将句子中的单词和短语组织成层次结构，而不使用语言学注释数据。我们观察到现有的无监督解析器捕捉了句法结构的不同方面，可以利用这些方面来提高无监督解析的性能。为此，我们提出了“树平均”方法，并进一步提出了一种新颖的无监督解析集成方法。为了提高推理效率，我们将集成的知识进一步融入到一个学生模型中；这种先集成后蒸馏的过程是缓解常见多老师蒸馏方法中存在的过度平滑问题的一种有效方法。实验证明，我们的方法超过了所有先前的方法，始终表现出其在各种运行，不同的集成组件和领域转移条件下的有效性和鲁棒性。

Oct, 2023

本文解决了无监督成分解析中传统目标函数未能充分考虑构成结构与语义之间密切关系的问题。我们提出了一种新目标，通过最大化构成结构与句子语义之间的信息量来训练无监督解析器，并开发了基于树条件随机场的模型。实验结果表明，该方法在四种语言中的五种PCFG变体上平均提高了7.85个百分点，展现出极大的潜力。

Oct, 2024