@进行中{元-塔尔-2019年神经,title=“基于神经和{FST}的语法错误纠正方法”,author=“袁、郑和Stahlberg、Felix和Rei、Marek和拜恩、比尔和Helen Yannakoudakis”,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/W19-4424”,doi=“10.18653/v1/W19-4424”,pages=“228--239”,抽象=“在本文中,我们描述了我们提交给BEA 2019的语法错误纠正共享任务。我们提出了一个同时使用错误检测和纠正模型的系统管道。输入文本首先由两个互补的神经机器翻译系统进行纠正:一个使用卷积网络和多任务学习,另一个使用使用基于神经变换器的系统。培训是根据公开的可用数据以及通过回译生成的人工示例进行的。然后使用有限状态转换器(FST)将这两个机器翻译系统的n个最佳列表组合并评分。最后,将一个无监督的重新排序系统应用于FST的n-最佳输出。重新排序器使用许多错误检测功能重新排序FST n最佳列表,并确定最终的1最佳校正假设。在共享任务的受限轨迹中,我们的系统在纠错方面达到了66.75{\%}F0.5(排名第四),在标记级错误检测方面达到了82.52{\%neneneep F0.5(排第二)。",}
<?xml version=“1.0”encoding=“UTF-8”?><modsCollection xmlns=“http://www.loc.gov/mods/v3"><mods ID=“元-年-2019年神经”><标题信息><title>基于神经和FST的语法纠错方法</title></titleInfo><name type=“个人”>郑元<角色>作者</角色></name><name type=“个人”>费利克斯斯塔尔伯格<角色>作者</角色></name><name type=“个人”>马雷克Rei</namePart><角色>作者</角色></name><name type=“个人”>比尔拜恩<角色>作者</角色></name><name type=“个人”>海伦<namePart type=“family”>Yannakoudakis</namePart><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><摘要>在本文中,我们描述了我们提交给BEA 2019的语法错误更正共享任务。我们提出了一种同时利用错误检测和校正模型的系统流水线。输入文本首先由两个互补的神经机器翻译系统进行校正:一个使用卷积网络和多任务学习,另一个使用基于神经变换器的系统。培训是根据公开的可用数据以及通过回译生成的人工示例进行的。然后使用有限状态转换器(FST)将这两个机器翻译系统的n个最佳列表组合并评分。最后,将一个无监督的重新排序系统应用于FST的n-最佳输出。重新排序器使用许多错误检测功能重新排序FST n最佳列表,并确定最终的1最佳校正假设。在共享任务的受限轨迹中,我们的系统在纠错方面达到了66.75%F0.5(排名第四),在标记级错误检测方面达到了82.52%F0.5(位居第二)</摘要><identifier type=“citekey”>元电子2019-neural10.18653/v1/W19-4424<位置><网址>https://aclantology.org/W19-4424</url></位置><部分><date>2019-08</date><扩展单元=“page”><开始>228<end>239</范围></部分></mods></modsCollection>
%0会议记录%基于T神经和FST的语法错误纠正方法%阿元、郑%费利克斯·斯塔尔伯格%马雷克·阿雷%A Byrne,Bill(比尔·拜恩)%A Yannakoudakis,海伦%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%Fyuan-etal-2019神经%X在本文中,我们描述了我们提交给BEA 2019的语法错误更正共享任务。我们提出了一个同时使用错误检测和纠正模型的系统管道。输入文本首先由两个互补的神经机器翻译系统进行校正:一个使用卷积网络和多任务学习,另一个使用基于神经变换器的系统。培训是根据公开的可用数据以及通过回译生成的人工示例进行的。然后使用有限状态转换器(FST)将这两个机器翻译系统的n个最佳列表组合并评分。最后,将一个无监督的重新排序系统应用于FST的n-最佳输出。重新排序器使用许多错误检测功能重新排序FST n最佳列表,并确定最终的1最佳校正假设。在共享任务的受限轨迹中,我们的系统在纠错方面达到了66.75%F0.5(排名第四),在标记级错误检测方面达到了82.52%F0.5(位居第二)。%兰特10.18653/v1/W19-4424%U型https://acl选集.org/W19-4424%U型https://doi.org/10.18653/v1/W19-4424%电话:228-239
降价(非正式)
【基于神经和FST的语法错误纠正方法】(https://aclantology.org/W19-4424)(袁等,BEA 2019)
国际计算语言学协会
- 郑元、费利克斯·斯塔尔伯格、马雷克·雷、比尔·拜恩和海伦·亚纳库达基斯。2019基于神经和FST的语法错误纠正方法.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228–239页,意大利佛罗伦萨。计算语言学协会。