注目機構（Attention mechanism）は、自然言語処理（NLP）タスクの性能を向上させるとともに、モデルの解釈可能性を維持する点で重要な役割を果たしている。現在では自己注目（self-attention）が広く採用されているが、多数の注目分布を持つため、解釈性の向上には課題がある。近年の研究では、ラベル固有の情報をモデル表現に組み込むことで、予測の解釈性を高めつつ性能の向上も可能であることが示されている。本研究では、注目ヘッドがラベルを表現する新たな自己注目形式である「ラベル注目層（Label Attention Layer）」を提案する。本層を用いた構文解析（構文構造解析および依存構造解析）の実験を通じて、ペン・ツリーバンク（PTB）および中国語ツリーバンクの両データセットにおいて、いずれのタスクでも新たな最良の性能を達成することを示した。さらに、既存手法と比較して、自己注目層の数を削減することができた。最後に、ラベル注目ヘッドが句構造カテゴリ間の関係を学習していることを明らかにし、誤りの分析に向けた道筋を示す可能性を示した。