这篇文章介绍了如何使用ATN文法来分析自然语言句子。
早期，自然语言文法的模型都是有限状态转换图。这个模型由节点和连接节点的有向边组成一个网络。其中的节点对应于一个有限状态机的状态，边表示从一个状态到另一个状态的转换。每条边上标记着一个符号（Symbol，这里指终结符，这个点很重要），如果从输入中读取到这个符号，那么就会跳转到边指向的状态。这个模型的优点是，只要从从开始状态顺着边一直走到终结状态，就可以按照边上标记的符号生成出一个句子。但是这个模型在处理自然语言是有它的不足，因为它不能抓住自然语言中的很多规律。一个最大的不足是，它缺少一种下推（Pushdown）机制（例如堆栈），不能在处理的语言成分的某一个阶段挂起，然后用相同的文法来处理内嵌的语言成分。也就是说，它不能处理递归嵌套的结构，例如多层括号。[?]
接下来引入RTN（Recursive Transition Network）的概念。假定我们有一组上面提到的状态转换图，每个图都有一个名字，图中边上的标签除了可以使用符号（终结符）外，还可以使用转换图的名字（非终结符）。那么在决定是否跳转到新的状态时，就可以理解为“调用一个子过程”，去匹配边上标记的状态。这样的状态转换图就叫递归转换网络，也就是RTN。它的能力等价于上下文无关文法（CFG）和下推自动机。
下面给出RTN的正式定义。RTN是一个有向图，其中的节点代表状态，其中的边代表转换动作。节点和边都可以有标签。有一组状态被叫做起始状态，另一组状态被叫做终结状态。它同非确定性有限状态转换图的区别在于，边上的标签不仅可以是终结符，还可以是非终结符（状态的名字）。如果一条边上的标记是状态的名字（记为State A），那么就意味着边所指向的状态（记为State B）会被压入到一个下推存储中，而当前的控制状态会跳转到State A，并且不消耗输入。当控制状态跳转到一个终结状态时，那么就从下推存储中弹出一个状态，并将控制状态置为这个弹出的状态。