Intelligentes Schreibsystem auf Basis rekurrenter neuronaler Netze

Der Autor schlägt ein Sequenzannotationsmodell vor, das auf rekurrenten neuronalen Netzen basiert, um die Auswirkungen von Störgeräuschen wie Grammatikfehlern auf die Informationsgewinnung aus Sequenzen in englischen Schreibkorpora zu adressieren. Darüber hinaus wird eine sequenzannotationsbasierte Methode zur Erkennung und Korrektur von Grammatikfehlern im englischen Schreiben vorgeschlagen. Das auf rekurrenten neuronalen Netzen (RNN) basierende Sequenzannotationsmodell nutzt die Integration von Zeichen-, Wort- und Sequenzdaten und integriert grobkörniges Lernen, um die Robustheit des Annotierungsprozesses zu verbessern. Diese Methode unterteilt den Annotierungsprozess in grobe und feine Stadien und bietet einen widerstandsfähigeren Ansatz. Im Kontext der Erkennung und Korrektur von Grammatikfehlern im Englischen wird das Sequenzannotationsmodell eingesetzt, um Grammatikfehler effektiv zu kennzeichnen und zu beheben, und es erkennt und korrigiert die ursprünglichen Wörter entsprechend den Annotationsergebnissen, wodurch das Problem vermieden wird, dass traditionelle Methoden eine manuelle Extraktion einer großen Anzahl von Merkmalen erfordern. Die experimentellen Ergebnisse zeigen, dass das vom Autor vorgeschlagene Sequenzannotationsmodell auf Basis rekurrenter neuronaler Netze eine Genauigkeit von 95,62 % bei der Part-of-Speech-Annotation des ESL-Korpus erreicht; gleichzeitig erreicht die Genauigkeit dieses Modells bei der Part-of-Speech-Vergabe des Nachrichtenkorpus 96,50 %; im CONLL2003-Aufgaben zur Erkennung benannter Entitäten erreichte der F1-Wert 90,27 %; die Nutzung des Sequenzannotationsmodells für Aufgaben zur Erkennung und Korrektur von Grammatikfehlern im Englischen führt zu bemerkenswerten Verbesserungen gegenüber bestehenden Methoden. Insbesondere im Kontext der gesamten Fehlerkorrektur übertrifft der F1-Wert der Methode des Autors die UIUC-Methode um 4 % und übertrifft die Corpus GEC-Methode um einen ähnlichen Betrag. Bei der Fokussierung auf die Korrektur von Präpositionsfehlern erzielt die Methode des Autors sogar noch bessere Ergebnisse mit einem 20 % höheren F1-Wert im Vergleich zur UIUC-Methode und einer Verbesserung von 12 % gegenüber der Corpus GEC-Methode.