再帰ニューラルネットワーク文法（RNNG）は、言語の生成モデルであり、構文と表層構造を上位から下位へ、左から右へと段階的に生成することで、これらを統合してモデル化します。教師ありRNNGは言語モデリングと解析において優れた性能を達成していますが、パース木が注釈されたコーパスが必要です。本研究では、教師なし学習によるRNNGの学習を実験しました。潜在的な木空間上の直接的な周辺化は計算不可能であるため、代わりに緩和変分推論を適用しました。証拠下限を最大化するために、ニューラルCRF構文解析器としてパラメータ化された推論ネットワークを開発しました。英語と中国語のベンチマークにおける言語モデリングにおいて、教師なしRNNGは教師ありRNNGと同等の性能を示しました。また、単語から注意機構を通じて木構造を誘導する最近のニューラル言語モデルと比較しても、構文文法誘導において競争力があります。