本研究提出了一种多阶段深度神经网络架构，利用注意力机制和上下文信息对句子中的习语表达进行定位，通过评估表明该模型能够在各类习语表达的数据集上实现新的最优结果，并具有对未见过的习语表达的识别能力。

Oct, 2021

本研究是在少量带注释的句子基础上，通过将通用神经语法纠错系统适应于作者的熟练程度和母语中，在五种熟练程度和十二种不同语言的比较下，发现同时适应两种条件可以最大程度地提高其性能（3.6 F0.5）。

Jun, 2020

在此综述文章中，我们介绍了在自然语言处理领域中的语法错误纠正任务，其中包括越来越流行的神经机器翻译系统，同时概述了任务中的语言学挑战以及常用的数据集和评价方法。我们还介绍了人类主观判断相关的可靠度指标，并总结了近年来的发展以及未来工作和仍面临的挑战，希望本综述能为新手或关注近期发展的研究人员提供全面的资源。

Nov, 2022

本篇文章研究了一种新的文本生成应用 —— 成语句子生成，通过使用神经模型和心理语言学理论，该文章提出一种有效转化直接字面短语到相应成语短语的方法，该方法在新建数据集上表现突出，超过其他文本生成竞争基准模型。

Apr, 2021

我们提出了一种基于不合语法句法的上下文示例选择策略来改进语法错误纠正任务，实证结果显示，相比于常用的词匹配或语义方法，我们的策略能够有效提升大型语言模型在语法错误纠正任务中的性能，这表明对于类似语法错误纠正这样的句法导向任务，更多地关注句法信息能够有效增强大型语言模型的表现。

Mar, 2024

通过引入带有证据词和语法错误类型的大型数据集 EXPECT 以及多个基线模型和分析，本文旨在提高解释性语法纠错系统，验证人类评估说明性语法纠错系统的解释可以帮助第二语言学习者确定是否接受校正建议，并了解相关的语法规则。

May, 2023

本文研究表明，由习语或比喻语言训练的开放域对话系统能够更好地生成与包含习语提示相符的回复，通过利用潜在习惯表达（PIE）- 英语习语语料库，我们实现了 98％F1 宏分数的准确率和更好的会话回复效果，为公众贡献了模型检查点 / 演示和代码。

May, 2022

该研究评估了面向英语非母语学习者写作的语法错误纠正系统（GEC），并发布了一个由具有不同水平的英语使用者生成的网站文本组成的新基准 CWEB，该工作希望能够促进开放域 GEC 模型的发展，以能够概括不同主题和流派。

Oct, 2020

本研究使用适配器作为轻量级非组合式语言专家对具有习惯用语特性的句子进行训练，将习惯用语结合到 BART 中取得了比基线模型 (BART) 更好的性能，包括在嵌入聚类方面提高了 0.19 分的同质化得分和在习惯用语处理任务中提高了高达 25% 的序列准确性，表明此方法能够解决习惯用语在自动化自然语言处理和语言模型中带来的挑战。

Jul, 2022

对瑞典学生文本进行全面评估，发现在少样本环境下，GPT-3 明显优于之前瑞典语语法错误修正系统，同时发现当前评估方法存在不可取的偏见，建议采用人工编辑 GEC 系统的输出来分析达到本地人级别性能所需要的改变量，并提供一份包含人工编辑和语法性、流畅性和意义保持评估的数据集。

Aug, 2023