構文解析は自然言語理解における基本的かつ重要なタスクであり、文脈情報の適切な表現がこのタスクに貢献することが知られている。N-gramは、文脈情報の代表的な特徴量として広く用いられており、多くのタスクにおいて有効であることが実証されている。したがって、適切にモデル化されれば、構文解析においてもN-gramは有益であると考えられる。本論文では、ニューラルチャートベース構文解析においてN-gram情報を活用するための「スパンアテンション（span attention）」を提案する。現在のTransformerベースのエンコーダを用いたチャートベース解析器では、スパンをその境界における隠れ状態の差分で表現しているが、特に長いスパンにおいて情報損失が生じる可能性がある。そこで、N-gramの解析プロセスにおける寄与度に応じて重み付けを行うことで、スパン表現にN-gram情報を統合する。さらに、スパンの長さに応じたカテゴリごとにN-gramを重み付けする「カテゴリカルスパンアテンション（categorical span attention）」を提案し、長文の解析性能をさらに向上させることを目的とする。3つの広く用いられているベンチマークデータセットにおける実験結果から、アラビア語、中国語、英語の構文解析において本手法の有効性が確認された。また、いずれの言語においても、最先端（state-of-the-art）の性能を達成した。