本文将基于统计机器翻译和神经机器翻译的自动语法纠错方法相结合，形成一种新的系统，这个混合系统在 CoNLL-2014 和 JFLEG 基准测试上取得了最新的最佳结果。我们的分析显示，所创建的系统比迄今为止报告的任何其他 GEC 系统更接近达到人类水平的性能。

Apr, 2018

本文介绍了使用神经网络全局词汇模型和神经网络联合模型来改善基于短语的统计机器翻译系统的局限性，通过对源句子的环境信息进行更有效地利用，显著提高了语法错误纠正的准确性。

Jun, 2016

本文提出了一种新的 GEC 评估指标 PT-M2，该指标只使用基于预训练的度量标准评分，以评估纠正部分，从而达到最佳效果。实验结果表明，PT-M2 显著优于现有方法，取得了 0.949 的皮尔逊相关性的最新最好结果。

Nov, 2022

本文提出了一种基于 SMT 的新颖方法，通过跨语言嵌入映射从单语料库中诱导短语表，再将其与 N-gram 语言模型相结合，通过无监督超参数微调的变体来实现迭代反向翻译，并在 WMT 2014 中实现了超过 7-10 BLEU 点的改进，与监督 SMT 相比关闭了 2-5 BLEU 点的差距。

Sep, 2018

本文针对现有无监督机器翻译存在的不足之处，通过利用子词信息、开发理论上有根据的无监督调优方法和引入联合优化程序等手段，改进了统计机器翻译系统，并将其用于初始化双 NMT 模型并进行后续微调，使无监督机器翻译的表现大幅度提升。在英德无监督机器翻译领域，改进后的 SMT 系统相较之前最好的无监督系统 BLEU 值提高了 5.5 个百分点，超过了当时的（监督）任务获胜者。

Feb, 2019

本文研究了使用分层短语配对 SMT 网络在端到端的神经机器翻译（NMT）中的应用。通过权重推送将完整的翻译预测假设的 Hiero 分数，包括完整的翻译语法分数和完整的 n-gram 语言模型分数，转换为与 NMT 预测概率兼容的后验概率，并通过稍加修改的 NMT 波束搜索解码器，发现了比 Hiero 和 NMT 单独解码的改进，在扩展 NMT 到非常大的输入和输出词汇方面具有实际优势。

May, 2016

本论文提出了一种将基于短语的统计机器翻译模型作为后验正则化引入到无监督神经机器翻译模型的训练过程中，以提高翻译质量的方法，并在 en-fr 和 en-de 翻译任务上进行实验，最终取得了新的最佳性能。

Jan, 2019

本文提出了一种利用 SMT 方法生成的 n 种翻译假设来提高 GEC 准确率的新方法，即利用分类器评分来选择适当的编辑或对 n 种翻译假设进行重新排序，并将这些方法应用于使用 SMT 方法的最新 GEC 系统中，实验结果表明，我们的方法在 GEC 基准测试数据集上的准确性比已发表的最佳结果有显着提高。

Jun, 2016

该研究研究了如何在只有大型单语语料库的情况下学习翻译。提出了两种模型，一种是神经模型，一种是基于短语的模型。这些模型通过参数的精心初始化、语言模型的去噪效应和反向迭代自动生成的并行数据来提高翻译性能。在 WMT'14 英语 - 法语和 WMT'16 德语 - 英语 基准测试上，这些模型分别获得 28.1 和 25.2 BLEU 分数，比现有方法的 BLEU 分数高出 11 个分数。方法在英语 - 乌尔都语和英语 - 罗马尼亚语等低资源语言中也取得了良好的结果。

Apr, 2018

提出了一种以神经网络为基础的三重方法，用以改善统计机器翻译，并在阿拉伯语 - 英语和中文 - 英语翻译上实现了显著改进，包括新的神经网络特征、张量层和多任务学习。

Jun, 2015