该论文提出了一种由词级依赖树转变为字级依赖解析的方法，通过模型化字内的潜在内部结构，在每个词级依赖树中解释为一棵以字级树为基础的森林，采用约束 Eisner 算法确保字级树的兼容性，确保了单一的字内结构根节点，并建立了这些根节点之间的词间依赖关系。对中文树库的实验表明，我们的方法在流水线框架和之前的联合模型上具有优越性。详细分析显示，粗到精的解析策略使模型能够预测出更具语言学可行性的字内结构。

本研究提出了一种基于格点的神经网络架构，能够同时进行词法分割和句法分析，特别适用于复杂的多词类语言如希伯来语。通过多任务学习和跨语言知识迁移，显著提升了低资源语言的句法分析性能，展示了在古代语言自动句法分析中的潜力。

基于条件随机场的分词和实体关系抽取模型的构建及 TF-IDF 信息检索和数据挖掘的常用加权技术用于提取不同古籍中的重要实体信息，同时使用基于神经网络的依赖句法分析器来分析每个古籍文章中实体之间的语法关系，并以树结构可视化的形式表示，为研究 Yishui 学派的知识图谱的构建和应用人工智能方法开展中医学术研究奠定基础。

该文综述多项句法分析研究：指出全面增量依存解析竞争力不足；用探测法证明自回归语言模型具有隐含增量句法推理；提出中序遍历解析系统、短语结构转依存表示、非二元移进归约算法、双向LSTM前瞻特征、线性化树生成、非词汇化转换分析器、潜在树学习及语法感知语言模型SOM，在WSJ等基准上取得进展。

该研究探讨了现代架构下全面增量依存解析的竞争力，建立了神经编码器和解码器的解析器。结果显示，该方法不如双向解析，并存在语言学挑战。

拒绝采样(reject sampling)就是针对复杂问题的一种随机采样方法。