递归神经网络语法（RNNG）是一类最近提出的用于自然语言的概率生成模型。它们在语言建模和句法分析方面表现出最先进的性能。本文从语言学的角度出发，通过各种模型和数据的消融实验以及引入注意力机制（GA-RNNG）来增强模型，从而探究这些模型学习了哪些信息。研究发现，显式建模组合性对于实现最佳性能至关重要。通过注意力机制，我们发现中心性在短语表示中起着核心作用（尽管存在一些重要差异，但模型的潜在注意力与手工设计的中心规则预测基本一致）。此外，通过训练不包含非终结符标签的语法模型，我们发现短语表示对非终结符的依赖程度极低，这为内中心性假说提供了支持。