Performance of Stanford and Minipar Parser on Biomedical Texts
University of Western Ontario（西安大略大学）
在本文中，性能的依赖分析器，即斯坦福大学和Minipar，对生物医学文本已经报道。在两个已经被证明是连接的生物医学概念之间分配依赖关系的解析器的性能并不令人满意。Stanford和Minipar都是统计分析器，如果两个连接的概念之间至少有一个子句是遥远的，则它们不能分配它们之间的依赖关系。Minipar的性能，在精确度，召回率和附件分数的F分数方面（例如，正确识别依赖项中的头部），解析生物医学文本的能力也以斯坦福大学的作为金标准来衡量。结果表明，Minipar是不适合的生物医学文本的解析。此外，定性调查显示，工作原理的解析器之间的差异也起到了至关重要的作用，Minipar的性能下降。
2014-09-25 cs.CL
Syntactic Multi-view Learning for Open Information Extraction
Nanyang Technological University（南洋理工大学）
开放信息抽取（OpenIE）旨在从开放域句子中抽取关系元组。传统的基于规则或统计的模型是基于句子的句法结构开发的，由句法分析器识别。然而，之前的神经OpenIE模型没有充分探索有用的语法信息。在本文中，我们将选区和依赖树建模为单词级图，并使神经OpenIE能够从语法结构中学习。为了更好地融合来自两个图的异构信息，我们采用多视图学习来捕获它们之间的多种关系。最后，微调的选区和依赖表示聚合与元组生成的基本语义表示。实验结果表明，选区和依赖信息，以及多视图学习是有效的。
2022-12-05 cs.AI cs.CL
A Robust Parser Based on Syntactic Information
在本文中，我们提出了一个强大的分析器，可以分析语法外的句子。这个解析器可以只使用语法信息来恢复它们。由于它只利用了句法信息，因此易于修改和扩展。
1995-02-22 cmp-lg cs.CL
Construction of a Syntactic Analysis Map for Yi Shui School through Text Mining and Natural Language Processing Research
Hebei University（河北大学）
本研究针对易水学派中医古籍非结构化文本，基于条件随机场构建实体关系抽取模型，结合TF-IDF和神经网络依存句法分析提取关键实体并可视化语法关系，为构建知识图谱奠定基础。
2024-02-16 cs.CL
Inter-sentence Relation Extraction for Associating Biological Context with Events in Biomedical Texts
The University of Arizona（亚利桑那大学）
我们提出了一个分析的问题，确定生物背景，并将其与生物医学文本中的生物化学事件。这构成了一个非平凡的、跨领域的关系抽取任务。我们专注于生物背景的物种，组织类型和细胞类型，与生化事件的描述。我们描述的上下文-事件关系的注释语料库的属性，并提出和评估几个分类上下文-事件关联训练的句法，距离和频率特征。
2018-12-14 cs.CL cs.LG stat.ML
Towards Effective Sentence Simplification for Automatic Processing of Biomedical Text
Arizona State University（亚利桑那州立大学）
生物医学文章特有的句子的复杂性对自然语言解析器提出了挑战，自然语言解析器通常在非技术文本的大规模语料库上进行训练。我们提出了一个文本简化过程，生物医学，旨在降低句子的复杂性，在生物医学摘要，以提高处理后的句子的句法分析器的性能。句法分析通常是文本挖掘管道中的第一步。因此，性能的任何改进都会对所有处理步骤产生连锁反应。我们评估我们的方法使用语料库的生物医学句子注释的句法链接。我们的实证结果表明，当处理简化的句子，而不是原来的句子在语料库中的Charniak-McClosky分析器和4.23%的链接语法分析器的2.90%的改善。
2010-01-24 cs.CL
Neural Domain Adaptation for Biomedical Question Answering
Hasso Plattner Institute（哈索·普拉特纳研究所）；DFKI（德国人工智能研究中心）
事实问答（QA）最近受益于深度学习（DL）系统的发展。神经网络模型在存在大型数据集的领域中优于传统方法，例如SQuAD（ca. 100，000个问题）的维基百科文章。然而，这些系统还没有被应用到QA在更具体的领域，如生物医学，因为数据集通常太小，从零开始训练DL系统。例如，用于生物医学QA的BioASQ数据集包括不到900个factoid（单个答案）和列表（多个答案）QA实例。在这项工作中，我们通过采用各种迁移学习技术，将在大型开放域数据集（SQuAD，源）上训练的神经QA系统适应于生物医学数据集（BioASQ，目标）。我们的网络架构是基于一个国家的最先进的QA系统，扩展与生物医学词嵌入和一个新的机制来回答列表问题。与现有的生物医学QA系统相比，我们的系统不依赖于特定领域的本体，解析器或实体标记，这是昂贵的创建。尽管如此，我们的系统在事实问题上取得了最先进的结果，在列表问题上取得了有竞争力的结果。
2017-06-15 cs.AI cs.CL cs.NE
CAIT: A Syntactic Parsing Toolkit for Child-Adult InTeractions
Center for Language and Cognition (CLCG), University of Groningen（格罗宁根大学语言与认知中心）；Georgetown University（乔治城大学）；Computational Linguistics, Department of Linguistics, Bielefeld University（比勒菲尔德大学语言学系计算语言学）
本文提出了一种专门针对CHILDES数据的句法解析工具包CAIT，通过训练先进的依赖解析器和标注工具，提升了对儿童-成人互动句法模式的解析精度，适用于语言习得的大规模可重复研究。
2026-07-01 cs.CL
DPH Parser: A Bottom-Up Grammar-Driven Parser for Joint Constituency and Dependency Analysis
本文提出DPH解析器，一种基于语法的自底向上无监督解析框架，通过特征规则和中心语标注联合生成成分与依存结构，在UD语料上验证了透明解析的可行性。
2026-09-09 cs.CL
Frame-Semantic Parsing with Softmax-Margin Segmental RNNs and a Syntactic Scaffold
Carnegie Mellon University（卡内基梅隆大学）；Google DeepMind（谷歌DeepMind）；University of Washington（华盛顿大学）
我们提出了一个新的，高效的框架语义分析器，标签语义参数的框架谓词。使用强调召回的分段RNN的扩展构建，我们的基本系统实现了有竞争力的性能，而无需调用任何语法解析器。然后，我们介绍了一种方法，只在训练过程中使用来自Penn Treebank的短语句法注释，通过多任务目标;在训练或测试时不需要解析。这种“语法脚手架”提供了一种比传统的语法流水线更便宜的替代方案，并实现了最先进的性能。
2017-06-29 cs.CL
Anchoring and Agreement in Syntactic Annotations
CSAIL MIT（麻省理工学院计算机科学与人工智能实验室）
我们提出了一个研究人类句法注释的两个关键特征：锚定和协议。认知偏差是人类决策中的一种认知偏差，其中判断被引向预先存在的价值。我们研究锚定的影响，通过人工编辑的标签和解析器的输出，获得句法注释的句法资源的标准方法创建。我们的实验证明了一个明确的锚定效应，并揭示了不必要的后果，包括高估的解析性能和较低的质量的注释相比，基于人类的注释。使用句子从宾州树库华尔街日报，我们还报告了系统获得的注释器间协议估计英语依存句法分析。我们的协议结果控制解析器的偏见，是必然的，因为他们是与国家的最先进的解析性能为英语新闻专线。我们讨论了我们的研究结果对未来的注释工作和解析器评估策略的影响。
2016-09-21 cs.CL
Robust Probabilistic Predictive Syntactic Processing
本论文提出一个广泛覆盖的机率自顶向下分析器，并将其应用于语音识别的语言模型问题。解析器从左到右遍历字符串，一次就增量地构建完全连接的派生。我们认为，我们所采用的分析方法是动机良好的心理语言学的角度来看，作为一个模型，捕捉词汇项目之间的概率依赖关系，作为建立连接的句法结构的过程的一部分。给出了基本的句法分析器和条件概率模型，并对报纸文本和自发电话会话的句法分析准确性进行了实验研究。概率模型的修改，导致改善的性能。然后定义使用解析器的输出的新的语言模型。困惑和字出错率降低证明了在trigram模型，即使当trigram是在显着更多的数据上训练。使用三元模型在逐词的基础上进行插值会产生额外的改进。
2001-05-09 cs.CL
Syntactic Language Change in English and German: Metrics, Parsers, and Convergences
University of Aberdeen（阿伯丁大学）；University of Mannheim（曼海姆大学）；Ghent University（根特大学）；Goethe University Frankfurt（法兰克福歌德大学）
本文利用160年议会辩论语料和五个依存解析器，系统分析英语与德语的15项句法度量，发现两语言变迁趋势高度趋同，并警示解析器选择会显著影响句法变迁结论。
2024-03-28 cs.AI cs.CL
Encoder-Decoder Shift-Reduce Syntactic Parsing
Singapore University of Technology and Design（新加坡科技设计大学）
从NMT开始，编码器-解码器神经网络已被用于许多NLP问题。借用编码器组件的基于图形的模型和基于转换的模型分别在依存句法分析和成分语法分析上实现了最先进的性能。然而，还没有工作经验性地研究基于转换的解析的编码器-解码器神经网络。为此，我们应用了一个简单的编码器-解码器，在标准依赖性解析上实现了与Dyer et al.（2015）的解析器相当的结果，并在成分解析上优于Vinyals et al.（2015）的解析器。
2017-06-24 cs.CL
Developing a hybrid NP parser
我们描述了使用能量函数优化非常浅的句法分析。该方法可以使用语言规则和基于语料库的统计数据，因此可以将语言和统计方法的优势结合在一个框架中。这些规则是上下文约束，用于解决表示为替代标签的句法歧义，并且统计语言模型由基于语料库的句法标签的n-gram组成。的成功的混合句法消歧器进行了评估，对一个举行了基准语料库。此外，语言和统计语言模型的混合模型的贡献进行了估计。
1997-04-24 cmp-lg cs.CL
Syntax-guided Localized Self-attention by Constituency Syntactic Distance
Shanghai Jiao Tong University（上海交通大学）；Alibaba Group（阿里巴巴集团）
最近的工作表明，Transformers隐式地从数据中学习其较低层的语法信息，尽管高度依赖于训练数据的质量和规模。然而，如果我们可以利用外部语法分析器，从数据中学习语法信息是不必要的，这提供了更好的分析质量与定义良好的语法结构。这可能会提高Transformer的性能和样本效率。在这项工作中，我们提出了一个语法指导的本地化自我注意Transformer，允许直接将语法结构从外部选区解析器。它禁止注意力机制将语法上远距离的标记置于近距离标记之上。实验结果表明，我们的模型可以持续提高翻译性能的各种机器翻译数据集，从小到大的数据集大小，并与不同的源语言。
2022-10-21 cs.CL
A Tale of a Probe and a Parser
University of Cambridge（剑桥大学）；Facebook AI Research（脸书人工智能研究院）；ETH Zürich（苏黎世联邦理工学院）
测量语言的神经模型中编码的语言信息在NLP中已经变得流行。研究人员通过训练“探针”来实现这一目标-监督模型旨在从另一个模型的输出中提取语言结构。其中一种探针是结构探针（Hewitt和Manning，2019），旨在量化句法信息在上下文单词表征中编码的程度。结构探针有一个新颖的设计，在解析文献中没有得到证实，其确切的好处并不明显。为了探讨是否句法探测器会更好地利用现有的技术，我们比较结构探测器与一个更传统的解析器具有相同的轻量级参数化。在九种分析语言中的七种中，解析器在UUAS上的性能优于结构探测器，通常是相当大的一部分（例如，英语中的11.1分）。然而，在第二个不太常见的度量标准下，存在相反的趋势-结构探测器优于解析器。这就引出了一个问题：我们应该选择哪种度量标准？
2020-05-12 cs.CL
Neural Constituency Parsing of Speech Transcripts
Macquarie University（麦考瑞大学）
本文研究了一种神经自注意句法分析器对转录语音的分析性能。语音呈现出书面文本中不存在的解析挑战，例如缺少标点符号和存在语音不流畅（包括填充停顿，重复，更正等）。对于传统的语法分析器来说，不流利性尤其成问题，因为它通常根本找不到任何编辑过的不流利性节点。这激发了特殊的不流利检测系统的开发，以及专门处理不流利的分析器的特殊机制。然而，我们在这里表明，神经解析器可以找到编辑的不流利节点，最好的神经解析器找到它们的准确性超过了专门的不流利检测系统，从而使这些专门的机制不必要。本文还研究了一种修改后的损失函数，把更多的重量编辑节点。它还描述了树转换，简化了不流利检测任务，提供替代编码的不流利和句法信息。
2020-04-10 cs.CL
Semantic Role Labeling for Learner Chinese: the Importance of Syntactic Parsing and L2-L1 Parallel Data
Peking University（北京大学）
本文以语义角色标注（SRL）为个案任务，以学习者汉语为个案语言，研究中介语语义语义解析。我们首先手动注释一组学习者文本的语义角色，以获得自动SRL的黄金标准。根据新的数据，我们然后评估三个现成的SRL系统，即，基于PCFGLA语法分析器的系统、基于神经语法分析器的系统和基于神经语法不可知的系统，来衡量汉语学习者自主学习的成功程度。我们发现两个不明显的事实：1）L1-句法分析训练的系统在L2数据上的表现相当糟糕; 2）两个基于句法分析的系统从L1数据到L2数据的性能下降要小得多，这表明句法分析在中介语SRL中的重要性。最后，本文提出了一种新的基于一致性的模型来挖掘大规模L2-L1并行数据中的语义一致性信息。然后，我们表明这些信息是非常有效的，以提高学习者的文本SRL。我们的模型实现了72.06的F分数，比最佳基线提高了2.02分。
2018-08-29 cs.CL
Intégration des données d'un lexique syntaxique dans un analyseur syntaxique probabiliste
Université Paris-Est, LIGM（巴黎东大学，LIGM）
本文报告的评估整合数据的句法语义词典，法语的词汇语法，到一个句法分析器。我们表明，通过改变一组标签的动词和谓词名词，我们可以提高性能的非词汇化概率分析器的法语。
2014-04-07 cs.CL
Interleaving Syntax and Semantics in an Efficient Bottom-Up Parser
我们描述了一个有效的自下而上的分析器，交错的语法和语义结构的建设。提出了两种通过减少局部歧义来减少搜索的技术：有限左上下文约束用于减少局部句法歧义，延迟排序约束应用用于减少局部语义歧义。我们实验评估这些技术，并显示显着减少图表边缘的数量和总解析时间。该分析器的强大处理能力在其用于提高语音识别器的准确性中得到了证明。
1994-07-05 cmp-lg 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
Diagnosing Transformers in Task-Oriented Semantic Parsing
Facebook（脸书）
现代面向任务的语义解析方法通常使用seq 2seq Transformers将文本话语映射到由意图和槽组成的语义框架。虽然这些模型在经验上是强大的，但它们的具体优点和缺点在很大程度上仍未得到探索。在这项工作中，我们研究BART和XLM-R，两个国家的最先进的解析器，跨单语和多语言设置。我们的实验产生了几个关键结果：基于transformer的解析器不仅要消除意图/插槽的歧义，而且还要生成语法有效的框架。虽然预训练给Transformers注入了句法归纳偏差，但我们发现将话语跨度复制到帧中的歧义通常会导致树无效，这表明跨度提取是当前解析器的主要瓶颈。然而，作为一线希望，我们展示了基于transformer的解析器为框架是否可能正确或不正确提供了足够的指标，使它们更容易部署在生产环境中。
2021-05-27 cs.CL
Maximum Spanning Trees Are Invariant to Temperature Scaling in Graph-based Dependency Parsing
University of Stuttgart（斯图加特大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）
现代的基于图的句法依赖性解析器通过针对句子内的每个标记预测其可能的句法中心词上的概率分布（即，所有其它令牌），然后从所得的对数概率中提取最大生成树。如今，几乎所有这样的解析器都利用深度神经网络，因此可能容易发生错误校准（特别是过度自信的预测）。在本文中，我们证明了温度缩放，一个流行的技术事后校准的神经网络，不能改变上述过程的输出。我们的结论是，需要其他技术来解决基于图的依赖解析器中的误校准，以提高解析精度。
2021-06-15 cs.CL
Building a Parser That can Afford to Interact with Semantics
自然语言理解程序在处理人类理解者没有太大困难的真实世界文本时，会被可能的句法结构的多样性所困扰。在这项工作中，我分析了分析策略之间的关系，他们遇到的局部歧义的程度，和语义反馈的语法，并提出了一个分析算法称为{ \em头信号左角分析}（HSLC），最大限度地减少局部歧义，同时支持交互式的语法和语义分析。这样的解析器已经在一个名为COMPERE的句子理解程序中实现。
1994-08-31 cmp-lg cs.CL
Lexical Adaptation of Link Grammar to the Biomedical Sublanguage: a Comparative Evaluation of Three Approaches
我们研究的适应链接语法分析器的生物医学子语言，重点领域的条款没有发现在一个通用的解析器词典。使用两个生物医学语料库，我们实现和评估三种方法来解决未知的单词：自动词库扩展，使用形态学线索，并使用词性标注消歧。我们分别评估每种方法对解析性能的影响，并考虑这些方法的组合。除了提高45%的解析效率，我们发现，最好的方法，将信息从一个域的词性标注，提供了一个统计显着的10%的相对减少错误。经过改编的解析器可以在http://www.it.utu.fi/biolg上获得开源许可证。
2006-06-28 cs.CL cs.IR
A Model-Driven Probabilistic Parser Generator
University of Granada（格拉纳达大学）
现有的概率扫描器和解析器对解决词汇和句法歧义的方式施加了严格的限制。此外，传统的基于语法的解析工具在它们允许考虑上下文的机制方面受到限制。在本文中，我们提出了一个模型驱动的工具，允许统计语言模型与任意概率估计。我们的工作模型驱动的概率解析是建立在基于模型的解析器生成器ModelCC之上，并使概率解释和解析的照应，后照应，递归引用的消歧抽象语法图。为了证明ModelCC的表达能力，我们描述了一个通用的自然语言解析器的设计。
2012-05-14 cs.CL
Cross-Lingual Syntactic Transfer with Limited Resources
Columbia University（哥伦比亚大学）；Google Inc.（谷歌公司）
我们描述了一个简单而有效的方法，跨语言的依赖分析器的句法转换，在大量的翻译数据是不可用的情况下。该方法使用三个步骤：1）用于导出跨语言单词集群的方法，然后可以在多语言解析器中使用; 2）用于将词汇信息从目标语言转移到源语言树库的方法; 3）将这些步骤与Rasooli和Collins（2015）的密度驱动的注释投影方法集成的方法。实验表明，在翻译数据的唯一来源是《圣经》的情况下，与之前工作中使用的几种语言的最新技术相比，有了改进，而《圣经》的语料库比之前工作中使用的Europarl语料库要小得多。使用Europarl语料库作为翻译数据源的结果显示，与Rasooli和Collins（2015）的结果相比，有了进一步的改进。我们的结论与结果38个数据集从通用的知识库。
2017-02-04 cs.CL
Syntactic Structure Processing in the Brain while Listening
INRIA（法国国家信息与自动化研究所）；IIIT Hyderabad（印度海得拉巴国际信息技术学院）；Microsoft（微软）
句法分析是将句法结构分配给句子的任务。有两种流行的句法分析方法：选区句法分析和依存句法分析。最近的工作已经使用了基于选区树的句法嵌入，增量自上而下的解析，和其他单词的句法特征的大脑活动预测给定的文本刺激，研究如何在大脑的语言网络中表示的语法结构。然而，依赖解析树的有效性或跨大脑区域的各种语法解析器的相对预测能力，特别是对于听力任务，尚未被探索。在这项研究中，我们调查的预测能力的大脑编码模型在三个设置：（一）的选区和依赖句法分析为基础的嵌入方法的个人表现，（二）这些句法分析为基础的嵌入方法的有效性时，控制基本的句法信号，（三）相对有效性的每一个句法嵌入方法时，控制其他。此外，我们探索的相对重要性的句法信息（从这些句法嵌入方法）与语义信息使用BERT嵌入。我们发现，选区解析器有助于解释激活颞叶和额中回，而依赖解析器更好地编码句法结构的角回和后扣带皮层。虽然来自BERT的语义信号比任何句法特征或嵌入方法更有效，但句法嵌入方法解释了一些大脑区域的额外差异。
2023-02-16 cs.CL q-bio.NC
Developing and Evaluating a Probabilistic LR Parser of Part-of-Speech and Punctuation Labels
我们描述了一种方法来强大的领域无关的句法分析的不受限制的自然发生的（英语）输入。该技术涉及使用基于统一的语法结合概率LR解析器来解析词性和标点符号标签的序列。我们描述了几个语料库使用这种语法的覆盖范围，并报告了一个分析实验的结果，使用来自括号内的训练数据的概率。我们报告的第一个实质性的实验，以评估标点符号的贡献，以获得一个准确的句法分析，通过分析相同的文本与自然发生的标点符号。
1995-10-09 cmp-lg 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
Multipath parsing in the brain
University of Georgia（佐治亚大学）；Google DeepMind（谷歌DeepMind）；University of Cape Town（开普敦大学）
本文通过将增量依存解析器的句法意外性与fMRI数据关联，在英汉双语中证明人脑逐词理解时采用多路径句法解析，相关脑区为双侧颞上回。
2024-06-06 cs.CL
Automatic Correction of Syntactic Dependency Annotation Differences
University of Arizona（亚利桑那大学）
数据集之间的注释不一致可能会导致低资源NLP的问题，与资源丰富的语言相比，噪声或不一致的数据无法轻松替换。在本文中，我们提出了一种自动检测依存句法分析语料库之间的注释不匹配的方法，以及三个相关的自动转换不匹配的方法。所有这三种方法都依赖于将新语料库中的未见过示例与现有语料库中的类似示例进行比较。这三种方法包括使用现有语料库中最频繁的示例标签的简单词汇替换，考虑更广泛的示例池的基于GloVe嵌入的替换，以及基于BERT嵌入的替换，使用上下文化的嵌入来提供针对我们特定数据进行微调的示例。然后，我们通过重新训练两个依赖解析器来评估这些转换- Stanza（Qi et al. 2020）和Parsing as Tagging（PaT）（Vacareanu et al. 2020）-转换和未转换的数据。我们发现，在许多情况下，应用我们的转换会产生更好的性能。观察到的两个解析器之间的一些差异。Stanza有一个更复杂的架构，采用二次算法，因此训练的时间更长，但它可以用更少的数据更好地泛化。PaT解析器具有更简单的体系结构和线性算法，加快了训练时间，但需要更多的训练数据才能达到相当或更好的性能。
2022-01-15 cs.CL
Nightmare at test time: How punctuation prevents parsers from generalizing
University of Copenhagen（哥本哈根大学）；Uppsala University（乌普萨拉大学）
标点符号是句法结构的一个强有力的指标，受过标点符号文本训练的分析器通常严重依赖于这个信号。然而，标点符号是一种转移，因为人类的语言处理并不依赖标点符号，在非正式文本中，我们经常忽略标点符号。我们也会为了写作或创造性的目的而不按语法使用标点符号，或者仅仅是错误地使用标点符号。我们表明：（a）依赖解析器对标点符号的缺失和替代用法都很敏感;（b）神经解析器往往比老式解析器更敏感;（c）在标点符号偏离标准标点符号的所有场景中，训练没有标点符号的神经解析器都优于所有开箱即用的解析器。我们的主要实验是在综合损坏的数据上研究标点符号的效果，以避免潜在的混淆，但我们也显示了对域外数据的影响。
2018-08-31 cs.CL
A Dynamic Oracle for Linear-Time 2-Planar Dependency Parsing
Universidade da Coruña（拉科鲁尼亚大学）
我们提出了一个有效的动态预言机用于训练基于2-Planar transition的解析器，一个线性时间解析器，在非投射句法语料库上的覆盖率超过99%。这种新方法在绝大多数测试语言中优于静态训练策略，并且在大多数数据集上的得分优于使用SWAP转换增强的弧混合解析器，后者可以处理不受限制的非投射性。
2018-05-15 cs.CL
A Maximum-Entropy Partial Parser for Unrestricted Text
本文描述了一个部分语法分析器，分配句法结构的词性标记序列。该程序使用最大熵参数估计方法，它允许灵活组合不同的知识源：层次结构，词性和短语类别。实际上，解析器超越了简单的括号，甚至可以识别相当复杂的结构。我们给不同的应用程序的分析器的准确性数字。
1998-07-17 cmp-lg cs.CL
Data-driven Parsing Evaluation for Child-Parent Interactions
Boston College（波士顿学院）
我们提出了一个句法依存树库自然主义儿童和儿童导向的讲话在英语（MacWhinney，2000年）。我们的注释在很大程度上遵循了通用自动化项目（UD（Zeman et al.，2022）），详细扩展到词汇/句法结构独特的会话讲话（在反对书面文本）。与现有的UD风格的口语树库以及其他儿童-父母互动的依赖语料库相比，我们的数据集的大小（大得多）（话语数N = 44，744;单词数N = 233，907），包含来自10个儿童的语音，涵盖了广泛的年龄范围（18-66个月）。有了这个数据集，我们问：（1）为书面语领域量身定制的最先进的依存关系解析器在自发对话中对不同对话者的语音表现如何？(2)句法分析能力与儿童的发展阶段有什么关系？为了解决这些问题，在正在进行的工作中，我们正在使用基于图和基于转换的解析器进行彻底的依赖解析器评估，这些解析器具有不同的超参数化，从三种不同类型的域外书面文本中训练：新闻，推文和学习者数据。
2022-09-28 cs.CL
French parsing enhanced with a word clustering method based on a syntactic lexicon
Université Paris-Est（巴黎-est大学）；LIGM（语言与信息学实验室）
本文通过将法语句法词典（Lexicon-Grammar）的数据整合到概率解析器中，并应用聚类方法于法语树库的动词，提高了基于概率上下文无关文法的解析性能。
2026-05-30 cs.CL cs.LG
Framework and Resources for Natural Language Parser Evaluation
University of Joensuu（约恩苏大学）
由于现代自然语言的自动句法分析方法多种多样，因此有必要分析和评价各种方法的优缺点。这项研究更有必要，因为目前还没有一个独立于体裁和领域的解析器能够100%准确地分析不受限制的文本（我用这个术语来指解析器分配的分析的正确性）。所有这些因素都产生了对可用于评估和比较解析系统的方法和资源的需求。本研究内容包括：（1）对句法分析和句法分析器评估的研究现状进行了理论分析。(2)一个框架（称为FEPa），可用于执行实际的解析器评估和比较。(3)一组新的评估资源：FiEval是一个正在建设中的芬兰树库，MGTS和RobSet是英文的解析器评估资源。(4)实验结果，其中开发的评价框架和两个资源的英语被用来评估一组选定的解析器。
2007-12-21 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
Self-Correction Makes LLMs Better Parsers
School of Computer Science and Technology, Soochow University（计算机科学与技术学院，苏州大学）
针对大语言模型在句法解析上的不足，本文提出利用现有树库语法规则引导模型自我纠正错误的方法，在多个数据集上显著提升域内及跨域解析性能。
2025-04-19 cs.CL
UNL Based Bangla Natural Text Conversion - Predicate Preserving Parser Approach
East West University（东西湖大学）
通用网络语言（UNL）是一种声明性的形式语言，用于表示从自然语言文本中提取的语义数据。本文提出了一种新的方法来转换孟加拉语自然语言文本到UNL使用的方法称为谓词保持解析器（PPP）技术。PPP同步执行文本的形态、句法和语义以及词法分析。这种分析产生了一个语义网一样的结构表示使用UNL。我们演示了孟加拉语文本分析PPP技术后，产生UNL文件，然后可以翻译成任何其他合适的自然语言促进机会，通过UNL开发一个通用的语言翻译方法。
2012-06-02 cs.CL
Survey:Natural Language Parsing For Indian Languages
Dharmsinh Desai University（达尔马辛赫·德赛大学）
句法分析是包括机器翻译在内的自然语言处理应用中的一项必要任务。为形态丰富且黏着的语言开发一个定性分析器是一个具有挑战性的任务。句法分析用于理解自然语言句子的语法结构。它输出每个单词及其组成部分的所有语法信息。与之相关的问题也有助于我们更详细地理解语言。这篇文献调查是了解印度语言的不同解析器开发以及用于开发此类工具和技术的各种方法的基础。本文提供了一个调查的研究论文，从著名的期刊和会议。
2015-01-28 cs.CL
Contextual Distortion Reveals Constituency: Masked Language Models are Implicit Parsers
Singapore University of Technology and Design（新加坡科技设计大学）
提出一种无需训练解析器的图表方法，通过成分测试式扰动造成的上下文表示失真为跨度评分并解析最小得分树，在英语及多语言无监督句法分析上取得先进结果。
2023-06-01 cs.CL
Improved Parsing for Argument-Clusters Coordination
Bar-Ilan University（巴伊兰大学）
句法分析器在预测论元-聚类协调（ACC）方面表现不佳。我们改变了ACC的PTB表示，使其更适合于通过统计PCFG解析器进行学习，影响了训练集中的125棵树。修改后的树上的训练在第22节和第23节的EVALB评分中产生了轻微的改善。主要的评价是在四年级科学考试的语料库，其中ACC结构是普遍存在的。在这个语料库中，我们获得了令人印象深刻的x2.7的改进，在恢复ACC结构相比，在原来的PTB树上训练的解析器。
2016-06-01 cs.CL
Two Local Models for Neural Constituent Parsing
Singapore University of Technology and Design（新加坡科技设计大学）
非局部特征已经被句法分析器用于捕获子输出结构之间的依赖关系。这些特性是最先进的统计解析器成功的关键。然而，随着深度学习的兴起，已经表明，由于包含全局语法信息的密集神经输入表示的力量，局部输出决策可以提供极具竞争力的准确性。我们研究了两个概念上简单的局部神经元模型的成分分析，使当地的决定，成分跨度和CFG规则，分别。与之前的研究结果一致，我们的最佳模型给出了极具竞争力的结果，在PTB上实现了92.4%的标记括号F1评分，在CTB 5.1上实现了87.3%。
2018-08-28 cs.CL
A Statistical Parsing Framework for Sentiment Classification
Beihang University（北京航空航天大学）；Microsoft Research（微软研究院）
在这篇文章中，我们提出了一个统计分析框架，用于情感分类。不同于以往的作品，采用句法分析结果的情感分析，我们开发了一个统计分析器，直接分析句子的情感结构。我们证明了情感分析中的复杂现象（例如，否定、强化和对比）可以以统一和概率的方式与简单和直接的情感表达相同地处理。我们制定的情感语法上上下文无关文法（CFGs），并提供了一个正式的描述的情感分析框架。我们开发的解析模型，以获得可能的情感分析树的句子，从极性模型提出了推导出的情感强度和极性，和排名模型是专门选择最好的情感树。我们训练的解析器直接从句子的例子注释只有情感极性标签，但没有任何句法注释或极性注释的成分在句子内。因此，我们可以很容易地获得训练数据。特别是，我们训练一个情感分析器，S.分析器，从大量的评论句子与用户的评级作为粗略的情感极性标签。在现有基准数据集上进行的大量实验表明，与基线情感分类方法相比，该方法有显着的改进。
2015-03-05 cs.CL
Automatic Inference of Minimalist Grammars using an SMT-Solver
MIT（麻省理工学院）
我们介绍（1）一种新的最简语法（MG），编码为一个系统的一阶逻辑公式，可以使用SMT求解器进行评估，和（2）一个新的程序推断最简语法使用这个解析器。这个过程的输入是一个句子序列，这些句子已经用语义角色标签（将参数连接到谓词）和主谓一致等句法关系进行了注释。该过程的输出是一组最简语法，其中的每一个都能够解析输入序列中的句子，使得对句子的解析具有与在该句子的注释中指定的那些句法关系相同的句法关系。我们将此过程应用到一组句子注释的句法关系和评估的推断语法使用成本函数的启发，最小描述长度原则和子集原则。推断的语法，这些成本函数的某些组合是最佳的，与当代理论的句法。
2019-05-08 cs.CL
A Systematic Comparison of Syntactic Representations of Dependency Parsing
LIMSI；CNRS（法国国家科学研究中心）；Univ. Paris-Sud（巴黎第十一大学）；DIKU, University of Copenhagen（哥本哈根大学DIKU）
本文系统比较了基于转移的依存解析器在不同标注方案下的表现，发现将特定句法结构转换为标准表示并不总能提升性能，且结果因语言而异。
2025-03-10 cs.CL
Working Hard or Hardly Working: Challenges of Integrating Typology into Neural Dependency Parsers
Massachusetts Institute of Technology（麻省理工学院）
本文探讨了在跨语言依存句法分析中利用类型学的任务。虽然这种语言信息在前神经分析中表现出很大的希望，但神经结构的结果却好坏参半。我们的研究目的是为了更好地理解这一现状，主要发现如下：1）类型学信息的益处来自于对语言进行粗略的句法同质聚类，而不是学习以组合的方式利用各个类型学维度上的变化; 2）与实际语料统计数据一致的类型学产生更好的迁移性能;（3）类型相似性只是句法分析中跨语言可迁移性的一个粗略指标。
2019-09-20 cs.CL
A Survey of Syntactic-Semantic Parsing Based on Constituent and Dependency Structures
Tianjin University（天津大学）
句法和语义解析是自然语言处理领域的一个主要研究课题，已经有几十年的研究历史。本文旨在对这一主题进行简要的概述。解析社区包括许多任务，这些任务很难被完全覆盖。在这里，我们集中在两个最流行的形式化分析：成分分析和依存句法分析。成分句法分析主要针对句法分析，而依存句法分析可以同时处理句法和语义分析。本文简要回顾了成分句法分析和依存句法分析的代表性模型，以及具有丰富语义的依存图句法分析。此外，本文还对跨领域、跨语言和联合句法分析模型、句法分析器的应用以及句法分析语料库的开发等相关问题进行了综述。
2020-06-19 cs.CL
Syntax-Semantics Interaction Parsing Strategies. Inside SYNTAGMA
本文讨论了SYNTAGMA，一个基于规则的自然语言处理系统解决棘手的问题，句法歧义减少和词义消歧，以及提供创新和原始的解决方案，成分生成和约束管理。为了深入了解它是如何运作的，该系统的总体架构和组件，以及它的词汇，语法和语义资源进行了描述。在此基础上，本文提出了一种通过句法和语义信息的相互作用进行选择性句法分析的机制，从而使句法分析器对输入文本进行连贯而准确的解释。
2016-01-21 cs.CL
Joint Syntacto-Discourse Parsing and the Syntacto-Discourse Treebank
Oregon State University（俄勒冈州立大学）
语篇分析一直被视为独立于选区分析或依存句法分析的独立问题。解决这个问题的大多数尝试都是流水线式的，而不是端到端的，复杂的，不独立的：他们假设黄金标准的文本分割（基本话语单位），并使用外部解析器的句法特征。在本文中，我们提出了第一个端到端的话语分析器，联合分析在句法和话语水平，以及第一个句法话语树库集成Penn树库与PennyTreebank。该句法-语篇联合分析器建立在我们最近提出的基于跨度的选区分析器的基础上，不需要任何预处理（如分割或特征提取），达到了最先进的端到端语篇分析精度。
2017-08-28 cs.CL
Syntactic Nuclei in Dependency Parsing -- A Multilingual Exploration
Uppsala University（乌普萨拉大学）
句法依存句法分析的标准模型把词作为依存关系的基本单位。在本文中，我们调查是否有任何好处，丰富这些模型与更抽象的概念提出的Tesnière核。我们这样做的核的概念，可以在框架中定义的通用依赖，以及我们如何使用组合函数，使一个基于转换的依赖解析器知道这个概念。在12种语言上的实验表明，核组合在句法分析准确率上有很大的提高。进一步的分析表明，改进主要涉及少数依存关系，包括名词性修饰语、并列关系、主谓语和直接宾语。
2021-01-29 cs.CL
