本研究通过对比自监督学习方法，改进数据增强和去除位置编码，提升了形态丰富、词序自由的低资源语言的依存句法分析性能。在7种语言中，UAS/LAS评分平均提高3.03/2.95分，验证了方法的有效性。

本研究提出了一种基于依存句法分析的情感分析模型，采用新标签策略和图注意力网络，显著提升了性能。通过半监督学习和动态规划改进句法解析器，在多个基准数据集上取得了优异结果。此外，研究探讨了结构性解析对Transformer模型的影响，提出了StructVAE模型，结合未标记数据超越传统监督模型表现。

该文综述依存句法分析研究，采用双仿射分类器、LSTM、指针网络及BERT嵌入等方法，结合图模型与转移系统提升语义依存分析性能；多任务学习改进UCCA解析，策略梯度训练有效，在SemEval等数据集上取得最优结果。

该文综述低资源语言依存句法跨语言迁移研究，涵盖跨语言词簇、词表示与树库投影，以及密度驱动注释投影、源语词序调整、对抗训练、多语言BERT无监督解析、多源去词汇解析器加权与资源组合、无监督自训练、辅助任务预训练和结构化正则生成模型等方法，在通用依赖多语言数据集上显著提升精度，尤其改善非欧洲语言表现。