目录
前期准备工作
分数函数：给定句子，解析器首先对所有单词对进行评分，以了解它们如何保持有效的依赖关系，然后使用解码器(例如，贪婪、最大生成树)根据分数来生成完整的依存分析树，所以说分数函数是图形分析中的一个关键组成部分.分数函数依赖于单词对的向量表示；
节点表示：节点表示网络的设计是基于神经网络的解析器中的一个关键问题。关于节点表示的两项显著的前期工作是递归神经网络和biaffine mappings，RNN主要收集语句级信息，但表示忽略与依赖关系结构相关的功能，biaffine mappings通过将一个节点设置支配向量和依赖向量来改进RNN的节点向量表示。
本文概述
1，基于节点表示的前期准备工作，我们会想要在节点表示中引入更结构化的知识。比如说biaffine mappings可以编码一阶父子关系，那是否可以编码祖父母、子孙、兄弟信息？
2，在本文中引入了GNN来学习依存分析树的节点表示.GNN是以类似增量的方式提取高阶信息：他是基于上一层的输出计算这一层的节点表示。
3，我们使用GNN构建解析模型。我们处理方式区分支配者和从属者,而不是用不同的权重矩阵来表示出边和入边，所以我们要更新节点表示的新协议。
模型构造
实验
总结
本文主要研究将高阶特征有效地结合到基于图神经网络的依存句法分析的问题中.代替从中间解析树显式提取高阶特征,我们开发了一种更强大的依赖树节点表示，它能简洁、高效地捕捉高阶信息。我们使用图神经网络(GNNs)来学习表示讨论GNN中更新和聚合功能的几种新配置。并且模型在PTB和UD2.2数据集上的实验证明了该方法的有效性。