基于 机器 翻译 输出 的 语法 错误 纠正
NLP 神经 机器 翻译 语法 错误 纠正
数据 驱动 的 传统 机器 学习 方法
随着 语料 资源 的 不断 累积 ， 从 20世纪 90年代 开始 ， 数据 驱动 的 方法 成为 GEC 的 主流 ， 人们 利用 机器 学习 技术 （ SVM 、 朴素 贝叶斯 ） ， 为 不同 错误 类别 设计
基于 机器 翻译 的 方法
于 统计 机器 翻译 （ Statistical Machine
Translation ， SMT ） 的 GEC 系统 一举 夺冠 。 之后 ， 许多 改进 的 方法 被 陆续 提出 ， 其中 一 个 方法 ， rerank ， 即 提取 语言学 特征 对 SMT 解码
得到 的 若干 候选 句子 进行 重 排序 ， 对 纠错 性能 提升 十分 明显 ， 基本 成为 GEC 的 一 个 必备 环节 。 而 随着 神经 机器 翻译 （ Neural machine
translation ， NMT ） 逐渐 取代 SMT ， NMT 被 很 自然 地 引入 到 GEC ， 成为 state-of-the-art GEC 系统 的 核心 组件 。
进行 建模 。 以 机器 翻译 为例 ， 通过 做 模型 集成 、 采用 更加 复杂 的 encoder （ 如 双向 RNN ） 对 输入 句子 编码 ， 仅 用 encoder-decoder 模型 也
resource 机器 翻译 研究 中 汲取 营养 ， 利用 多 模态 数据 、 无 监督 方法 来 提高 GEC 的 性能 ， 也 是 一 个 值得 关注 的 方向 。
4 . Neural Machine Translation and Sequence-to-sequence Models :  A
Hybrid Machine Translation ,  Roman Grundkiewicz et al .
o 基于 机器 翻译 输出 的 语法 错误 纠正
o 神经 机器 翻译 1
o 基于 机器 翻译 输出 的 语法 错误 纠正
o 基于 机器 翻译 输出 的 语法 错误 纠正