摘要
神经序列到序列（seq2seq）方法在语法错误修正（GEC）方面已被证明是成功的。基于seq2seq框架，我们提出了一种新颖的流畅度增强学习和推理机制。流畅度增强学习在训练过程中生成多样化的错误修正句对，使错误修正模型能够从更多实例中学习如何提高句子的流畅度；而流畅度增强推理则允许模型通过多个推理步骤逐步修正句子。我们将流畅度增强学习和推理机制与卷积序列到序列模型相结合，所提出的方法在CoNLL-2014 10注释数据集上达到了75.72（F_{0.5}）的性能，在JFLEG测试集上达到了62.42（GLEU）的性能，分别成为首个在这两个基准测试中达到人类水平表现（CoNLL为72.58，JFLEG为62.37）的GEC系统。