@进行中{flachs-etal-2019-有噪音,title=“低资源语法错误更正的噪声信道”,author=“Flachs、Simon和拉克鲁瓦,Oph{\ee}谎言和S{\o}gaard,Anders“,editor=“Yannakoudakis、Helen和科奇马、叶卡捷琳娜和莱科克、克劳迪娅和Madnani、Nitin和Pil{\'a}n、Ildik{\'o}和托尔斯滕·泽施”,booktitle=“创新使用NLP构建教育应用程序第十四次研讨会论文集”,月=八月,year=“2019”,address=“意大利佛罗伦萨”,publisher=“计算语言学协会”,url=“https://aclantology.org/W19-4420”,doi=“10.18653/v1/W19-4420”,pages=“191--196”,abstract=“本文描述了我们对BEA 2019语法错误纠正(GEC)共享任务低资源跟踪的贡献我们的GEC方法基于噪声信道理论,将信道模型和语言模型相结合。我们从维基百科编辑历史中生成混淆集,并使用编辑频率来估计频道模型。此外,我们还使用了两种预训练语言模型:1)谷歌的BERT模型,我们对其进行了微调,以适应特定的错误类型;2)OpenAI的GPT-2模型,利用它可以将前面的句子作为上下文进行操作。此外,我们使用波束搜索来搜索校正的最佳组合。",}
<?xml version=“1.0”encoding=“UTF-8”?><modsCollection xmlns=“http://www.loc.gov/mods/v3"><mods ID=“flachs-etal-2019-noise”><标题信息>低资源语法错误纠正的噪音信道</titleInfo><name type=“个人”>西蒙Flachs公司<角色>作者</角色></name><name type=“个人”><namePart type=“given”>Ophélie</namePart>Lacroix公司<角色>作者</角色></name><name type=“个人”>安德斯瑟加德<角色>作者</角色></name><originInfo>发布日期:2019-08发布日期:</originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息>第十四届创新使用NLP构建教育应用研讨会论文集</titleInfo><name type=“个人”>海伦<namePart type=“family”>Yannakoudakis</namePart><角色>编辑器</角色></name><name type=“个人”>叶卡捷琳娜科赫马尔<角色>编辑器</角色></name><name type=“个人”>克劳迪娅莱科克<角色>编辑器</角色></name><name type=“个人”><namePart type=“given”>尼汀</namePart>马德纳尼<角色>编辑器</角色></name><name type=“个人”>Ildikó皮兰<角色>编辑器</角色></name><name type=“个人”>托尔斯滕Zesch公司<角色>编辑器</角色></name><originInfo>计算语言学协会<位置>意大利佛罗伦萨</place></originInfo>会议出版物</relatedItem>本文描述了我们对BEA 2019语法错误纠正(GEC)共享任务低资源跟踪的贡献。我们的GEC方法基于噪声信道理论,将信道模型和语言模型相结合。我们从维基百科编辑历史中生成混淆集,并使用编辑频率来估计频道模型。此外,我们使用了两个预先训练的语言模型:1)谷歌的BERT模型,我们针对特定的错误类型进行了微调;2)OpenAI的GPT-2模型,利用它可以将前面的句子作为上下文进行操作。此外,我们使用波束搜索搜索最佳校正组合</摘要>flachs-etal-2019-noise10.18653/v1/W19-4420<位置><网址>https://aclantology.org/W19-4420</url></位置><部分><date>2019-08</date><扩展单元=“page”><开始>191<end>196</范围></部分></mods></modsCollection>
%0会议记录%低资源语法错误纠正的T噪声信道%A Flachs,西蒙%奥菲莉·拉克鲁斯%安德斯·索加德%Y Yannakoudakis,海伦%叶卡捷琳娜·Y·科奇马尔%克劳迪娅·利科克%Y Madnani,尼廷%Y Pilán,Ildikó%托尔斯滕·泽施%创新使用NLP构建教育应用程序第十四次研讨会论文集%2019年4月%8月8日%计算语言学协会%C意大利佛罗伦萨%F flachs-etal-2019-噪音%本文描述了我们对BEA 2019语法错误纠正(GEC)共享任务低资源跟踪的贡献。我们的GEC方法基于噪声信道理论,将信道模型和语言模型相结合。我们从维基百科编辑历史中生成混淆集,并使用编辑频率来估计频道模型。此外,我们使用了两个预先训练的语言模型:1)谷歌的BERT模型,我们针对特定的错误类型进行了微调;2)OpenAI的GPT-2模型,利用它可以将前面的句子作为上下文进行操作。此外,我们使用波束搜索搜索最佳校正组合。%10.18653/v1/W19-4420兰特%U型https://acl选集.org/W19-4420%U型https://doi.org/10.18653/v1/W19-4420%第191-196页
降价(非正式)
[低资源语法错误纠正的噪声信道](https://aclantology.org/W19-4420)(Flachs等人,BEA 2019)
国际计算语言学协会
- 西蒙·弗拉赫斯(Simon Flachs)、奥佩利·拉克鲁瓦(Ophélie Lacroix)和安德斯·索加德(Anders Sögaard)。2019低资源语法纠错的噪声信道.英寸创新使用NLP构建教育应用程序第十四次研讨会会议记录,第191-196页,意大利佛罗伦萨。计算语言学协会。