Die LAIX-Systeme im BEA-2019 GEC Shared Task

In diesem Paper beschreiben wir zwei Systeme, die wir für die drei Tracks entwickelt haben, an denen wir an der BEA-2019 GEC Shared Task teilgenommen haben. Wir untersuchen wettbewerbsfähige Klassifikationsmodelle basierend auf bidirektionalen rekurrenten neuronalen Netzwerken (Bi-RNN) sowie neuronale Maschinenübersetzungsmodelle (NMT). Für die verschiedenen Tracks setzen wir Ensemblesysteme ein, um die NMT-Modelle, Klassifikationsmodelle und bestimmte Regeln gezielt zu kombinieren, und zeigen, dass eine Ensemble-Lösung die Leistung der GEC-Systeme im Vergleich zu einzelnen Systemen signifikant verbessern kann. Unsere GEC-Systeme erreichten den ersten Platz im Unrestricted Track und den dritten Platz sowohl im Restricted Track als auch im Low Resource Track.