Modeling structure-building in the brain with CCG parsing and large language models
本文比较了CCG与CFG在fMRI神经信号上的建模效果，发现CCG的结构构建测量在左侧后颞叶对神经信号的拟合优于CFG，且该效应与可预测性效应在空间上可分离。
2023-04-16 cs.CL
Evaluating Induced CCG Parsers on Grounded Semantic Parsing
University of Southern California（南加州大学）；University of Edinburgh（爱丁堡大学）；Google（谷歌）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
我们比较了四种不同的句法CCG解析器的语义槽填充任务的有效性，探讨有多少句法监督需要下游语义分析。这种外在的，基于任务的评估提供了一个独特的窗口，探索无监督语法归纳系统所捕获的语义的优点和缺点。我们发布了一个新的Freebase语义解析数据集，称为SPADES（DECLARATIVE Sentences的语义解析），包含93K的完形填空式问题与答案配对。我们在这个数据集上评估我们所有的模型。我们的代码和数据可在https://github.com/sivareddyg/graph-parser上获得。
2017-01-31 cs.AI cs.CL
Automatic Generation of High Quality CCGbanks for Parser Domain Adaptation
Nara Institute of Science and Technology（奈良先端科学技术大学院大学）；Artificial Intelligence Research Center, AIST（产业技术综合研究所人工智能研究中心）；Ochanomizu University（御茶水女子大学）
基于利用依赖树资源自动生成组合范畴语法语料库的思想，提出了一种新的组合范畴语法分析的领域自适应方法.我们的解决方案在概念上很简单，并且不依赖于特定的解析器架构，这使得它适用于当前性能最好的解析器。我们进行了广泛的解析实验，并进行了详细的讨论;在现有的（1）生物医学文本和（2）问题句子的基准数据集之上，我们创建了（3）语音对话和（4）数学问题的实验数据集。当应用于所提出的方法时，现成的CCG解析器显示出显着的性能增益，在语音会话上从90.7%提高到96.6%，在数学问题上从88.5%提高到96.8%。
2019-06-05 cs.CL
Parsing Combinatory Categorial Grammar with Answer Set Programming: Preliminary Report
University of Kentucky（肯塔基大学）；Technische Universität Wien（维也纳工业大学）
组合范畴语法（CCG）是一种用于自然语言分析的语法形式。CCG将结构化的词汇类别分配给单词，并使用一小组组合规则来组合这些类别以解析句子。在这项工作中，我们提出并实现了一种新的CCG解析方法，该方法依赖于突出的知识表示形式主义，即答案集编程（ASP）--一种声明性编程范式。我们制定的CCG解析的任务作为一个规划问题，并使用ASP计算工具来计算解决方案，对应于有效的解析。与其他方法相比，不需要使用这种声明性方法实现特定的解析算法。我们的方法旨在为一个给定的句子产生所有语义不同的解析树。从这一目标出发，出现了规范化和效率问题，我们通过结合和扩展现有战略来处理这些问题。我们已经实现了一个CCG解析工具包- AspCcgTk -使用ASP作为其主要的计算手段。C&C supertagger可以用作AspCcgTk中的预处理器，这使我们能够实现广泛覆盖的自然语言解析。
2011-08-29 cs.AI cs.CL
Supertagging Combinatory Categorial Grammar with Attentive Graph Convolutional Networks
University of Washington（华盛顿大学）；The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））；Shenzhen Research Institute of Big Data（深圳大数据研究院）
超标注是组合范畴语法分析的一项重要任务，而有效的上下文信息建模对超标注的实现至关重要。然而，除了应用强大的编码器（例如，bi-LSTM）。在本文中，我们提出了专注的图卷积网络，以提高神经CCG超标记，通过一种新的解决方案，利用上下文信息。具体来说，我们从从词典中提取的块（n-gram）构建图，并对图进行关注，以便在模型中对来自块内和跨块的上下文的不同单词对进行加权，并相应地促进超级标记。在CCGbank上进行的实验表明，我们的方法优于所有以前的研究在supertaging和解析。进一步的分析说明了我们的方法中的每个组件的有效性，有区别地从词对学习，以提高CCG超标记。
2020-11-18 cs.CL
Supertagging: Introduction, learning, and application
Språkbanken（语言银行）；University of Göteborg（哥德堡大学）
Supertaging是Bangalore和Joshi（1999）提出的一种提高句法分析效率的方法。一开始，学者们使用小的训练数据集和有点天真的平滑技术来学习超级标签的概率分布。自成立以来，Supertags的适用性已经被探索为TAG（树邻接语法）形式主义以及其他相关但不同的形式主义，如CCG。本文将尝试总结最近编辑的书籍卷（Bangalore和Joshi，2010）中与统计解析相关的各个章节。这些章节的选择是为了融合超级标记的学习，将其整合到全面的解析中，以及语义解析中。
2014-12-19 cs.CL
Type-Driven Incremental Semantic Parsing with Polymorphism
City University of New York（纽约市立大学）
语义解析已经取得了很大的进展，但目前大多数语义解析器都非常慢（基于CKY），而且在表示上相当原始。我们介绍了三种新技术来解决这些问题。首先，我们设计了第一个线性时间增量移位-归约式语义解析算法，它比传统的线性时间自底向上语义解析器更有效。其次，我们的解析器，是类型驱动的，而不是语法驱动的，使用类型检查来决定减少的方向，这消除了对语法语法，如CCG的需要。第三，为了充分利用类型驱动语义解析的强大功能，超越简单类型（如实体和真值），我们借用程序设计语言理论中的子类型多态性和参数多态性的概念来丰富类型系统，以便更好地指导解析。我们的系统在GeoQuery，Jobs和Atis域中学习非常准确的解析。
2014-12-16 cs.CL
A Psycholinguistically Motivated Parser for CCG
考虑到人类解决句法歧义的速度，以及通过选择解释最“明智”的分析来解决句法歧义的压倒性证据，人们得出结论，解释，因此解析是递增的，几乎每个词都是如此。考虑到句法处理器理论中的简约性，人们开始探索最简单的分析器：它只表示语法定义的分析，而不表示其他信息。为了实现这一目标的一个简单的，增量解析器，我探讨的建议，能力语法是一个组合范畴语法（CCG）。我解决的问题，增殖分析，源于CCG的关联性的推导。我的解决方案包括只维护最大增量分析，并在必要时计算最大右分支分析。我使用重写系统的研究结果表明，这种计算是有效的。
1994-06-20 cmp-lg cs.CL
Integrating Supertag Features into Neural Discontinuous Constituent Parsing
Philosophische Fakultät（哲学系）；Institut für Sprache und Information（语言与信息研究所）
本研究探索将超标签特征集成到基于转移的神经非连续成分句法分析中，通过流水线和多任务两种方式引入超标签信息，并对比多种框架与序列标注任务作为辅助任务的适用性。
2024-10-11 cs.AI cs.CL cs.FL
Head-driven Phrase Structure Parsing in O($n^3$) Time Complexity
Shanghai Jiao Tong University（上海交通大学）
成分句法分析和依存句法分析是句法分析的两种经典形式，在中心语驱动短语结构语法（Head-driven Phrase Structure Grammar，HPSG）的统一形式化框架下，联合训练和解码对这两种句法分析都有好处。然而，由于在解码期间必须考虑更多的因素，因此解码该统一语法具有比单独解码任一形式（$O(n^3)$）更高的时间复杂度（$O(n^5)$）。因此，我们提出了一个改进的头部评分器，有助于实现一个新的性能保持解析器在$O$（$n^3$）时间复杂度。此外，在此基础上提出了实用的HPSG解析器，我们调查了基于HPSG的解析的优势，并探讨了在多语言场景中仅从成分或依赖注释训练基于HPSG的解析器的一般方法。因此，我们提出了一个更有效的，更深入的，和一般的工作HPSG解析。
2021-05-20 cs.CL
Neural Combinatory Constituency Parsing
Tokyo Metropolitan University（东京都立大学）
我们提出了两个快速的神经组合模型的选区分析：二进制和多分支。我们的模型将自下而上的解析过程分解为：1）标记、标签和二进制方向或块的分类; 2）基于计算出的方向或块的向量组合。这些模型具有理论上的次二次复杂性和经验上的线性复杂性。二元模型在Penn Treebank上的F1得分为92.54，速度为1327.2 sents/sec。这两个模型与XLNet提供接近国家的最先进的准确性为英语。在Penn树库、汉语树库和Keyaki树库（日语）的训练和推理过程中观察到了语言的句法分支倾向和中心化。
2021-06-12 cs.CL
Lock-Free Parallel Perceptron for Graph-based Dependency Parsing
Peking University（北京大学）
依存句法分析是一项重要的自然语言处理任务。依存句法分析的一种流行方法是结构化感知器。尽管如此，基于图的依存句法分析具有$O(n^3)$的时间复杂度，并且它受到缓慢训练的影响。为了解决这个问题，我们提出了一个并行算法称为并行感知器。并行算法可以充分利用多核计算机，节省大量的训练时间。基于实验，我们观察到，在使用10个线程时，使用并行感知器的依存句法分析可以比传统结构化感知器方法获得快8倍的训练速度，并且准确率没有任何损失。
2017-03-02 cs.CL
Relating Complexity to Practical Performance in Parsing with Wide-Coverage Unification Grammars
本文表明，指数复杂度的语法大小和输入长度的性能影响不大的三个统一为基础的解析算法，使用广泛的覆盖语法。结果意味着，研究和优化的统一为基础的解析必须依赖于经验数据，直到复杂性理论可以更准确地预测这种解析器的实际行为。
1994-05-31 cmp-lg cs.CL
Sources of Complexity in Semantic Frame Parsing for Information Extraction
Orange Labs（奥兰治实验室）；Aix Marseille Univ（艾克斯-马赛大学）；CNRS（法国国家科学研究中心）
本文描述了一个基于序列标记方法的语义框架解析系统，准确地说，是具有高速公路连接的BiLSTM模型，用于根据Berkeley FrameNet形式主义对注释的法国百科全书历史文本语料库执行信息抽取。在这项研究中提出的方法依赖于一个集成的序列标记模型，共同优化帧识别和语义角色分割和识别。本研究的目的是分析任务的复杂性，突出的因素，使语义框架解析一个困难的任务，并提供详细的性能评估不同类型的框架和句子。
2018-12-21 cs.AI cs.CL
Edge-Linear First-Order Dependency Parsing with Undirected Minimum Spanning Tree Inference
The Hebrew Univeristy（希伯来大学）；Technion, IIT（以色列理工学院）
在基于图的依存句法分析中，现有推理算法的运行时间复杂度与输入单词的数量（n）呈超线性关系。最近，这些模型的剪枝算法已经证明，削减了大部分的图形边缘，与最小的损害所产生的解析树。因此，以仅由边的数量（m）确定的运行时间复杂度来解决推理问题是明显重要的。我们提出了这样一个推理算法的一阶模型，它编码的问题作为一个最小生成树（MST）问题的无向图。这使我们能够利用最先进的无向MST算法，其运行时间是O（m）的期望和具有非常高的概率。然后，从无向MST推断出有向解析树，并随后通过局部贪婪更新相对于有向解析模型进行改进，这两个步骤都在O（n）时间内运行。在18种语言的实验中，一阶MSTParser的变体（McDonald等人，2005 b），采用我们的算法执行非常类似于运行O（n^2）定向MST推理的原始解析器。
2016-06-07 cs.CL
Phase-based Minimalist Parsing and complexity in non-local dependencies
NETS - IUSS（高等研究院网络系统）
一个认知上合理的解析算法应该像人类解析器一样在关键上下文中执行。在这里，我提出了一个适应Earley的解析算法，适用于基于阶段的最简语法（PMG，Chesi 2012），能够预测性能的复杂性影响。专注于自主节奏的阅读实验对象分裂的句子（沃伦和吉布森2005年），我将关联到分析的复杂性度量的基础上线索功能检索在动词段（特征检索和编码成本，FREC）。FREC是关键的基础上所讨论的解析算法预测的内存使用，它正确地符合阅读时间显示。
2021-07-17 cs.AI cs.CC cs.CL
Span-based discontinuous constituency parsing: a family of exact chart-based algorithms with time complexities from O(n^6) down to O(n^3)
Université Paris-Saclay（巴黎-萨克雷大学）；CNRS（法国国家科学研究中心）；LIMSI（机械与工程计算机科学实验室）
我们介绍了一种新的基于图表的算法，基于跨度的分析不连续的选区树的块度2，包括病态嵌套结构。特别是，我们表明，我们可以建立我们的分析器的变种，具有较小的搜索空间和时间复杂度范围从$\mathcal O(n^6)$到$\mathcal O(n^3)$。立方时间变量覆盖了语言树库中观察到的98%的成分，同时具有与连续选区解析器相同的复杂性。我们评估我们的方法对德国和英国树银行（Negra，老虎和不连续PTB）和报告国家的最先进的结果，在完全监督的设置。我们还对预训练的词嵌入和基于\bert{}的神经网络进行了实验。
2020-03-30 cs.CL
Unsupervised Discontinuous Constituency Parsing with Mildly Context-Sensitive Grammars
ShanghaiTech University（上海科技大学）；MIT（麻省理工学院）
该研究针对无监督不连续成分句法分析问题，采用LCFRS-2文法并优化规则降低推理复杂度，结合张量分解与嵌入参数化扩展非终结符数量，在德荷语上可归纳出有语言学意义的句法树。
2023-06-09 cs.CL
Parsing Free Word-Order Languages in Polynomial Time
我们提出了一个多项式时间复杂度的分析算法的一个大子集的V-TAG语言。V-TAG是多成分TAG的一种变体，可以处理LCFRS类（包括常规TAG）之外的自由词序现象。我们的算法是基于一个CYK风格的分析器的标签。
1994-11-03 cmp-lg cs.CL
Parsing for Semidirectional Lambek Grammar is NP-Complete
我们研究了Lambek范畴语法的一个变体{ \em semi-directional}的解析问题的计算复杂性。在半定向Lambek演算$\SDL$中，有一个额外的非定向抽象规则，允许被抽象的公式出现在前提条件的左手边的任何地方，从而允许非外围提取。$\SDL$语法能够生成每一种上下文无关语言，甚至更多。我们证明了半定向Lambek文法的解析问题是NP-完全的3-分区问题的减少。
1996-05-10 cmp-lg cs.CL
Interleaved semantic interpretation in environment-based parsing
本文扩展了一个多项式时间的解析算法，解决了结构歧义输入到基于语音的用户界面通过计算和比较的竞争成分的表示，给出了一些模型的接口应用程序环境（Schmidt 2001）。该算法被扩展到将一个完整的逻辑运算符，包括量词和合取，到这个计算中，而不增加的复杂性的整体算法超过多项式时间，无论是在输入的长度和环境模型中的实体的数量。
2002-06-18 cs.CL cs.HC
Synchronous Context-Free Grammars and Optimal Linear Parsing Strategies
Università di Firenze（佛罗伦萨大学）；University of Rochester（罗切斯特大学）；Università di Milano（米兰大学）；Università di Roma Tor Vergata（罗马第二大学（托尔·维尔加塔））；University of Padua（帕多瓦大学）
同步上下文无关文法（SCFG），也称为语法指导的翻译模式，与上下文无关文法不同之处在于它们没有二进制范式。通常，使用SCFG进行解析需要输入字符串长度的空间和时间多项式，但多项式的次数取决于SCFG规则的排列。我们考虑线性解析策略，每次添加一个非终结符。我们证明了对于给定的输入置换，寻找具有最小空间复杂度和时间复杂度的线性句法分析策略的问题都是NP困难的。
2013-11-25 cs.CL cs.FL
Collapse, Not Complexity: Failure-Conditioned Decomposition Repair for End-to-End Document Parsing
Software Engineering Institute, East China Normal University（华东师范大学软件工程学院）
本文发现文档解析失败源于页面崩溃而非复杂性，提出基于失败条件的分解修复方法，在低令牌消耗下显著提升解析质量。
2026-09-22 cs.CL cs.CV
Fast Context-Free Grammar Parsing Requires Fast Boolean Matrix Multiplication
1975年，Valiant证明布尔矩阵乘法可以用于解析上下文无关文法（CFG），产生了已知的最快（尽管不实用）的CFG解析算法。我们证明了一个对偶结果：任何具有时间复杂度$O(g n^{3 - \epsilson})$的CFG解析器（其中$g$是语法的大小，$n$是输入串的长度）都可以被有效地转换成在时间上乘以$m \times m$布尔矩阵的算法$O(m^{3 - ε/3})$。鉴于实际的，基本上是次立方布尔矩阵乘法算法已经很难找到，因此，我们解释了为什么一直没有什么进展，在开发实用的，基本上是次立方一般的CFG解析器。在证明这一结果，我们还开发了一个形式化的概念解析。
2001-12-15 cs.CL cs.DS
Restrictions on Tree Adjoining Languages
已知有几种方法可以在O（n^6）的最坏情况下运行时间内解析树邻接文法（TAG）生成的语言。在本文中，我们研究需要对TAG和TAG推导进行哪些限制，以降低O（n^6）的时间复杂度，而不引入大的运行时常数，并且不会失去任何生成能力，这些生成能力是捕获自然语言中可以由不受限制的TAG处理的句法结构所需的。特别是，我们描述了一个算法，用于在O（n^5）中解析TAG的严格子类，并试图表明这个子类保留了足够的生成能力，使其在一般情况下有用。
1998-10-13 cs.CL
Hexatagging: Projective Dependency Parsing as Tagging
提出名为hexatagger的依存句法分析器，通过将单词标注为有限标签来构建依存树，实现训练时完全并行化和线性时空复杂度的精确解码，并在Penn Treebank上取得SOTA性能且解码速度提升约10倍。
2023-06-08 cs.AI cs.CL
Improving Coverage and Runtime Complexity for Exact Inference in Non-Projective Transition-Based Dependency Parsers
Cornell University（康奈尔大学）；Universidade da Coruña（拉科鲁尼亚大学）
我们将Cohen，Gómez-Rodríguez和Satta（2011）的解析器推广到一系列基于非投射转换的依赖解析器，允许多项式时间精确推理。这包括比Cohen等人（2011）具有更好覆盖率的新型解析器，甚至是将时间复杂度降低到$O(n^6)$的变体，改进了基于非投射转换的解析的精确推理的已知界限。我们希望，这一块的理论工作启发设计新的过渡系统，更好的覆盖率和更好的运行时保证。代码可在https://github.com/tzshi/nonproj-dp-variants-naacl2018获得
2018-05-02 cs.CL
Efficient Analysis of Complex Diagrams using Constraint-Based Parsing
本文介绍了使用约束语法分析（解析）图的实质性进展。将集合类型添加到数据的语法和空间索引中，可以有效地解析具有相当复杂性的真实图表。该系统可能是第一个使用语法来演示高效的图表解析的系统，这些语法可以很容易地重定向到其他领域。这项工作假设，图表是作为一个平面收集的图形原语：线，多边形，圆，贝塞尔曲线和文本。这适用于将来的电子文档或从扫描图像转换的矢量化图表。我们分析的图表类别包括从生物学文献中绘制的x，y数据图和遗传图，以及有限状态自动机图（状态和弧）。例如，在Macintosh Quadra 700上使用Macintosh Common Lisp解析由133个原语组成的四部分数据图需要35秒。
1995-05-05 cmp-lg cs.CL
Parsing Linear Context-Free Rewriting Systems with Fast Matrix Multiplication
University of Edinburgh（爱丁堡大学）；University of Rochester（罗切斯特大学）
我们描述了一个矩阵乘法识别算法的一个子集的二进制线性上下文无关重写系统（LCFRS）与运行时间$O(n^{ωd})$其中$M(m) = O(m^ω)$是运行时间为$m \times m$矩阵乘法和$d$是“接触秩”的LCFRS -最大数量的组合和非组合点出现在语法规则。我们还表明，该算法可以作为一个子程序，得到一个识别算法的一般二进制LCFRS与运行时间$O(n^{ωd + 1})$。目前最著名的$ω$小于$2.38$。我们的结果提供了另一个证明的最有名的结果，分析温和的上下文敏感的形式主义，如组合范畴文法，头文法，线性索引文法，和树邻接文法，这可以在时间$O(n^{4.76})$。它还表明，反转转换语法可以在时间$O(n^{5.76})$中解析。此外，二进制LCFRS包含许多其他形式主义和类型的语法，其中一些我们还提高了解析的渐近复杂性。
2016-03-08 cs.CL cs.FL
Depth-bounding is effective: Improvements and evaluation of unsupervised PCFG induction
The Ohio State University（俄亥俄州立大学）；Harvard University（哈佛大学）；Boston Children’s Hospital（波士顿儿童医院）；Harvard Medical School（哈佛医学院）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
最近已经有几种尝试通过限制归纳模型的递归复杂性来提高语法归纳系统的准确性（Ponvert等人，2011; Noji和Johnson，2016; Shain等人，2016; Jin等人，2018年）。现代的深度有界语法归纳器已经被证明比早期的无界PCFG归纳器更准确，但这种技术从未在同一系统中与无界归纳进行过比较，部分原因是大多数以前的深度有界模型都是围绕序列模型构建的，其复杂性随着最大允许深度呈指数增长。相反，本工作在基于图表的贝叶斯PCFG诱导器内应用深度界限（Johnson等人，2007 b），其中可以打开和关闭绑定，然后在有和没有绑定的情况下对树进行采样。结果表明，深度绑定确实是显着有效的限制诱导器的搜索空间，从而提高了分析模型的准确性。此外，英语，汉语和德语的分析结果表明，这种有界模型与一个新的推理技术是能够更准确地产生分析树比或竞争力与国家的最先进的基于成分的语法归纳模型。
2018-09-10 cs.CL
The Complexity of Recognition of Linguistically Adequate Dependency Grammars
计算复杂性的结果存在广泛的短语结构为基础的语法形式主义，而有一个明显的依赖为基础的形式主义缺乏这样的结果。我们在这里适应的ID/LP-文法的依赖框架的复杂性的结果。相反，以前的研究严重限制依赖语法，我们证明了识别（因此，解析）的语言足够的依赖语法是NP完全的。
1997-09-08 cmp-lg cs.CL
A Robust Parsing Algorithm For Link Grammars
在本文中，我们提出了一个强大的分析算法的基础上的链接文法形式主义的分析自然语言。我们的算法是一个自然的扩展，原来的动态规划识别算法，递归计数输入句子中的两个单词之间的联系的数量。修改后的算法使用空链接的概念，以便允许任何一对相邻单词之间的连接，而不管它们的字典定义。该算法通过进行三次动态规划来进行。在第一遍中，使用原始算法解析输入，该算法强制约束链接以确保语法性。在第二遍中，计算每个单词子串的总成本，其中成本由解析子串所需的空链接的数量确定。最后一遍以最小的代价计算解析的总数。所有的原始修剪技术在鲁棒算法中都有自然的对应物。当与记忆化一起使用时，这些技术使算法能够以立方最坏情况复杂度有效地运行。我们已经实现了这些想法，并测试他们通过分析的交换机语料库的会话英语。该语料库由大约300万字的文本组成，相当于从70个不同主题的电话交谈中收集的150多个小时的转录语音。虽然在这个语料库中只有一小部分的句子是“语法”的标准，强大的链接语法分析器是能够提取相关的结构的大部分句子。我们提出了我们的实验结果，使用这个系统，包括从语料库中选择和随机句子的分析。
1995-08-02 cmp-lg cs.CL
Dependency Grammar Induction with a Neural Variational Transition-based Parser
Institute for Language, Cognition and Computation（语言、认知与计算研究所）；School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
依存语法归纳是在没有带注释的训练数据的情况下学习依存语法的任务。传统的基于图的全局推理模型在此任务上实现了最先进的结果，但它们需要$O(n^3)$运行时间。基于转换的模型可以通过$O(n)$时间复杂度实现更快的推理，但其性能仍然落后。在这项工作中，我们提出了一个基于神经转换的依存语法归纳分析器，其推理过程利用了丰富的神经功能与$O(n)$时间复杂度。我们训练的分析器与变分推理，后验正则化和方差减少技术的集成。由此产生的框架优于以前的无监督的过渡为基础的依赖解析器，并实现性能媲美基于图形的模型，无论是在英语Penn树库和通用Dependency树库。在实证比较中，我们表明，我们的方法大大提高了基于图的模型的解析速度。
2018-11-14 cs.CL
Linear-Time Modeling of Linguistic Structure: An Order-Theoretic Perspective
该研究从序理论视角出发，将词元关系建模为偏序，通过并行预测词元实数值并排序取交集得到偏序再解码为语言结构，将相关任务复杂度降至线性，在依存句法分析和共指消解上取得优异性能且大幅提速。
2023-12-12 cs.CL
