A cognitively plausible parsing algorithm should perform like the human parser in critical contexts. Here I propose an adaptation of Earley's parsing algorithm, suitable for Phase-based Minimalist Grammars (PMG, Chesi 2012), that is able to predict complexity effects in performance. Focusing on self-paced reading experiments of object clefts sentences (Warren & Gibson 2005) I will associate to parsing a complexity metric based on cued features to be retrieved at the verb segment (Feature Retrieval & Encoding Cost, FREC). FREC is crucially based on the usage of memory predicted by the discussed parsing algorithm and it correctly fits with the reading time revealed.
Univ. Paris Diderot（巴黎狄德罗大学）；Sorbonne Paris Cité（索邦巴黎西岱大学）；Alpage；INRIA（法国国家信息与自动化研究所）；IT University of Copenhagen（哥本哈根信息技术大学）；University of Groningen（格罗宁根大学）；University of Copenhagen（哥本哈根大学）
Parsing All: Syntax and Semantics, Dependencies and Spans
Department of Computer Science and Engineering, Shanghai Jiao Tong University（上海交通大学计算机科学与工程系）；Key Laboratory of Shanghai Education Commission for Intelligent Interactionand Cognitive Engineering, Shanghai Jiao Tong University（上海市教育委员会智能交互与认知工程重点实验室（上海交通大学））；MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University（教育部人工智能重点实验室（上海交通大学人工智能研究院））
Harbin Institute of Technology（哈尔滨工业大学）；University of Cambridge（剑桥大学）；Georgetown University（乔治敦大学）；University of Washington（华盛顿大学）
我们研究的问题，分析推文与普遍的一致性。我们扩展了UD准则，以涵盖影响标记化，词性标记和标记依赖关系的推文中的特殊结构。使用扩展的指导方针，我们创建了一个新的英语tweet树库（Tweebank v2），比Kong et al.（2014）介绍的（未标记的）Tweebank v1大四倍。我们的注释者之间的分歧的特点，并表明，这是具有挑战性的，以提供一致的注释，由于在理解和解释推文的模糊性。尽管如此，使用新的树库，我们构建了一个管道系统来将原始推文解析为UD。为了在不牺牲计算效率的情况下克服注释噪声，我们提出了一种新的方法，将20个基于转换的解析器的集合提取为一个。我们的解析器在LAS中实现了2.2的改进，并且在准确性和速度方面优于其他树库上最先进的解析器。
Yet Another Format of Universal Dependencies for Korean
The Chinese University of Hong Kong（香港中文大学）；The University of British Columbia（不列颠哥伦比亚大学）；Hanbat National University（韩巴国立大学）；TeddySum；Indiana University（印第安纳大学）
Køpsala: Transition-Based Graph Parsing via Efficient Training and Effective Encoding
University of Copenhagen（哥本哈根大学）；Uppsala University（乌普萨拉大学）
我们在IWPT 2020上展示了Copenhagen-Uppsala系统，用于增强的通用共享任务。我们的系统是一个管道，由现成的模型组成，除了增强的图解析，对于后者，一个基于转换的图解析器改编自Che et al.（2019）。我们训练每种语言的单个增强解析器模型，使用黄金句子分割和标记化进行训练，并且仅依赖于标记化的表面形式和多语言BERT进行编码。虽然在提交之前引入的一个错误导致精度严重下降，但根据平均ELAS，其提交后修复将使我们在官方排名中排名第四。我们的解析器表明，一个统一的管道是有效的意义表示解析和增强的通用解析。
On the relation between dependency distance, crossing dependencies, and parsing. Comment on "Dependency distance: a new perspective on syntactic patterns in natural languages" by Haitao Liu et al
Universidade da Coruña（拉科鲁尼亚大学）
Liu et al.（2017）全面介绍了人类语言中依赖距离的研究。虽然这篇文章是关于这个复杂主题的非常丰富和有用的报告，但在这里我将扩展计算语言学（特别是自然语言处理）研究可以告知DDM研究的一些具体问题，反之亦然。这些方面在Liu等人的文章或其他地方没有进行太多的探索，可能是由于两个研究团体之间的重叠很少，但它们可能会为提高我们对人类语言进化的理解提供有趣的见解，大脑处理和理解语言的机制，以及构建有效的计算机系统来实现这一目标。
Enhancing Korean Dependency Parsing with Morphosyntactic Features
The University of British Columbia（不列颠哥伦比亚大学）；The Chinese University of Hong Kong（香港中文大学）；Seoul National University（首尔大学）；KAIST（韩国科学技术院）；Anyang University（安阳大学）
A survey of cross-lingual features for zero-shot cross-lingual semantic parsing
Georgia Institute of Technology（佐治亚理工学院）；Samsung AI Center（三星人工智能中心）；University of Edinburgh（爱丁堡大学）
利用语料库来训练英语语义分析器，已经在该领域取得了重大进展。不幸的是，对于英语以外的语言，注释是稀缺的，所以是发达的解析器。然后我们会问：一个用英语训练的解析器可以应用于它没有被训练过的语言吗？为了回答这个问题，我们探索zero-shot跨语言语义解析，其中我们训练可用的从粗到细的语义解析器（Liu et al.，2018）使用跨语言词嵌入和英语中的通用依赖关系，并在意大利语，德语和荷兰语上进行测试。并行意义库（一个多语言语义图库）的结果表明，当与其他词汇特征结合使用时，通用依赖特征显着提高了性能，但在对输入进行编码时，直接对UD结构进行建模则不会。
Structural Supervision Improves Learning of Non-Local Grammatical Dependencies
Harvard University（哈佛大学）；MIT（麻省理工学院）；UC Irvine（加州大学欧文分校）；IBM Research（IBM研究院）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）
在大型语料库上训练的最先进的LSTM语言模型以令人印象深刻的细节学习顺序偶然性，并已被证明获得了一些非局部语法依赖，并取得了一些成功。在这里，我们调查是否监督与层次结构增强学习的一系列语法依赖关系，以前只针对主谓一致的问题。使用来自心理语言学的受控实验方法，我们比较了基于单词的LSTM模型与两种表示层次结构并将其部署在从左到右处理中的模型的性能：递归神经网络语法（RNNG）（Dyer et al.，2016）和Chariak等人的Parsing-as-Question-Modeling配置的增量版本，（2016年）。模型在不同的配置范围内进行了测试，两类非本地语法依赖英语-负极性许可和填料-差距的依赖。使用相同的训练数据跨模型，我们发现结构监督模型优于LSTM，RNNG在两种类型的语法依赖关系上都表现出最佳结果，甚至学习了许多关于填充-间隙依赖关系的岛屿约束。因此，结构监督在获取关于非局部语法依赖性的类人概括方面提供了优于神经语言模型的纯基于字符串的训练的数据效率优势。
