摘要
在本研究中，我们通过学习融合语法正确性与错误模式的词嵌入（word embeddings），提升了语法错误检测的性能。现有的大多数词嵌入学习算法通常仅建模词语的句法上下文，导致分类器将语法错误的词语与正确词语视为相似输入，从而影响检测效果。为解决这一上下文信息建模不足的问题，我们引入了学习者错误的视角。具体而言，我们提出了两种模型：一种基于语法错误模式的模型，另一种则关注目标词的语法正确性。通过标注的错误标签，我们判定n-gram序列的语法正确性，并从大规模学习者语料库中提取语法错误模式，用于词嵌入的构建。实验结果表明，在剑桥英语第一证书（FCE）数据集上的英文语法错误检测任务中，采用我们所提出的词嵌入初始化的双向长短期记忆网络（BiLSTM）模型，取得了显著优于现有方法的准确率，达到了当前最先进的水平。