实验
首先是在WSJ测试集上的无监督句法分析结果：
可以看到Tree-Transformer效果还是好于之前的ON-LSTM和PRPN的，虽然比在NLI上训练的DIORA略差，但也情有可原，毕竟人家训练集大，而且是全局解码， 甚至还达到了URNNG的效果。而层数选择10层是效果最好的。
然后是在WSJ10测试集上的无监督句法分析结果：
可以看到，长度很短的时候Tree-Transformer效果就甚至不如PRPN了，和ON-LSTM相比其实也半斤八两。论文并没有分析原因，甚至都没有提这个。
然后是采用不同的层做出来的无监督句法分析结果：
可以看到，最小递归到第三层的时候结果最好，而看的层数越少，也就是只看高层的，效果非常的差。只看单独一层的效果也不大行，这都说明了高层的表示更加的抽象，其实不大适宜句法信息的表示。而低层又太接近单词层面了，都是表面信息。这其实和最近的一篇解释bert中attention含义的论文结果一致，中间层的attention表示的是句法信息。
最后是语言模型的困惑度结果：
这里就只和普通的Transformer相比了，结果还是更好的。因为这里得用masked LM做目标函数，所以没法和ON-LSTM、PRPN等语言模型相比。
其他关于attention解释性等讨论详见论文，我觉得没有多大意思，attention的可解释性最近争论一直很大，强行解释没有意义。
结论
本文提出的Tree Transformer用成分先验表示两个单词属于同一个短语的概率，然后和self-attention联合决定两个单词之间的attention。并且提出了一种解码出句法树的算法，但是还存在着一些问题。
文中说尝试过用Transformer预训练Tree Transformer，这样loss下降的更低了，拟合的更好，但是解码出的句法树效果更差了。这其实是有道理的，之前见过一篇分析论文，提到了语言模型训练的好，并不一定代表着句法树学的好，这两者不能划等号。所以今后如何选择更好更合适的损失函数，值得研究。
这里面还有一些文章可以做，我总感觉本文模型的attention计算方式还是挺牵强的，特别是得分归一化那里，强行将单词左右邻居视为两种不同的角色。下一步工作我可以在上面进行改进，换一种全新的attention计算方式试试，另外损失函数上面考虑到前一篇文章提到的乱序问题，可以尝试用还原词序作为目标任务。
