CGED2020总结
CGED中文语法错误诊断2020总结（第一篇）
写者能力有限，时间有限，将CGED参赛论文梳理总结如下，总结内容主要包括，论文具体做了什么，采用了什么技术，最终达到了什么结果。
论文目录
(1)Non-Autoregressive Grammatical Error Correction Toward a Writing Support System
(2)Arabisc: Context-Sensitive Neural Spelling Checker
(3)LXPER Index 2.0: Improving Text Readability Assessment Model for L2 English Students in Korea
(3)Overview of NLPTEA-2020 Shared Task for Chinese Grammatical Error Diagnosis
(4)Combining ResNet and Transformer for Chinese Grammatical Error Diagnosis
(5)Chinese Grammatical Error Diagnosis with Graph Convolution Network and Multi-task Learning
(6)Integrating BERT and Score-based Feature Gates for Chinese Grammatical Error Diagnosis
(7)BERT Enhanced Neural Machine Translation and Sequence Tagging Model for Chinese Grammatical
Error Diagnosis
(8)A Hybrid System for NLPTEA-2020 CGED Shared Task
(9)Chinese Grammatical Error Correction Based on Hybrid Models with Data Augmentation
(10)TMU-NLP System Using BERT-based Pre-trained Model to the NLP-TEA CGED Shared Task
(11)CYUT Team Chinese Grammatical Error Diagnosis System Report in NLPTEA-2020 CGED Shared Task
(12)Chinese Grammatical Error Diagnosis Based on RoBERTa-BiLSTM-CRF Model
(13)Chinese Grammatical Errors Diagnosis System Based on BERT at NLPTEA-2020 CGED Shared Task
(14)Chinese Grammatical Error Detection Based on BERT Model
(15)Named-Entity Based Sentiment Analysis of Nepali News Media Texts
(16)SEMA: Text Simplifification Evaluation through Semantic Alignment
(17)A Corpus Linguistic Perspective on the Appropriateness of Pop Songs for Teaching Chinese as a Second Language
共17篇论文，以下为第一篇简述
(1)Non-Autoregressive Grammatical Error Correction Toward a Writing Support System
（书写支持系统的非自动语法纠错）【日文纠错】
具体工作
1、本研究中，我们重点研究了NAR模型作为提高GEC速度的一种方法；
2、我们使用不需要预先准备编辑操作的NAR模型在日语中执行GEC。 我们分析了所提出的方法，考虑到它在编写支持系统中的应用。
3、特别是，我们分析了纠错率与推理速度的关系，关注不完整的句子，然后评估超参数对NAR模型的影响。
4、本研究的贡献如下：
4-1 我们从准确性和速度两个方面评价了不完整句子的NAR和AR模型的性能，旨在构建一个写作支持系统。
4-2 我们表明，与基于卷积神经网络(CNNs)的方法相比，执行一次性迭代细化的Levenshtein变压器可以通过减少最坏推理时间6.0秒和平均推理时间0.3秒来实现快速稳定的GEC。
4-3 使用日本GEC的NAR模型，我们发现当输入单词的数量为6个或更多时，最好给出GEC结果，因为当数字小于5时，精度显著降低。
相关技术：
①AR NMT是编解码模型中用于序列到序列学习的一种标准解码方法。
②NAR NMT是一种独立同时生成每个令牌的解码方法。
③Levenshtein Transformer是NAR NMT模型之一，它为上述多模态问题引入了一种解决方案。
④GEC是一项纠正错误的任务，如标点符号、语法和选词错误。
结果：
略
注：有人看就继续更新
CGED2020总结相关推荐
- 【论文向】NAACL2022 汉语纠错多源、多参考数据集MuCGEC
[论文向]MuCGEC: a Multi-Reference Multi-Source Evaluation Dataset for Chinese Grammatical Error Correct ...
最新文章
- Linux系统开机过程详细分析
- Leetcode每日必刷题库第2题，如何实现两数相加？
- bootstrap 悬浮固定_CST Tech Tips - 流式细胞术中如何固定和通透细胞？
- 95-864-040-源码-HDFS-Flink 和 HDFS 的交互
- 基于Python-turtle库绘制路飞的草帽骷髅旗、美国队长的盾牌、高达
- unity如何得到所有子对象_Unity3D研究院之自动计算所有子对象包围盒（六）
- asp.net: 应用母版页的页面,如何设置其标题?
- 使用 Premiere 制作视频简介
- nnet3-compute计算chain前向传播概率矩阵(声学模型输出)
- 一文读懂李洪元被捕251天：先后涉及三项罪名 录音成关键证据
- 没有文件夹则创建文件夹
- office办公软件之ppt视频录制
- php微信跳转到支付宝,微信点击短链接直接跳转到支付宝领红包教程 附带例子...
- Python爬取百度指数搜索结果，查看你想了解的热点信息吧
- EMC | 静电防护方法
- 计算机考证打字训练题
- 德国精品软件 小红伞杀毒软件 AntiVir
- 深入理解YII2.0
- 三种平摊分析的方法分别为_关于平摊分析、表的扩增、势能分析初步理解
- iphone手机上卸载非主界面上的软件