摘要
错误类型信息已被广泛用于提升语法错误修正（GEC）模型的性能，无论是在生成修正结果、对修正结果进行重排序，还是在融合多个GEC模型时。通过结合在不同错误类型修正上具有互补优势的GEC模型，能够显著提升修正质量。然而，系统融合方法由于需要先对基础模型进行推理，再执行融合策略，因此带来了较高的计算开销。因此，若能构建一个单一模型，其内部包含多个专注于不同错误类型修正的子网络，将更具效率。本文提出一种面向语法错误修正的专家混合模型（Mixture-of-Experts for Grammatical Error Correction, MoECE）。该模型在仅使用T5-XL模型约三分之一有效参数的情况下，实现了相当的性能表现。此外，该模型在推理过程中还能同时识别错误类型，从而生成具有可解释性的修正结果。