基于类型驱动及模型融合的中文语法纠错研究

摘要

中文语法纠错旨在通过模型自动识别并修正中文文本中的语法错误，从而提升文本的准确性和可读性.然而，现有的中文语法纠错模型在纠错过程中常面临暴露偏差问题，并且对大模型的应用仍显不足，导致纠错效果欠佳.为此，本文提出了一种基于类型驱动的中文语法纠错模型CTDGC（Chinese Types Driven Grammatical Correction）.该模型通过深入探讨中文四种主要语法错误（冗余、缺失、错词、乱序）之间的依赖关系，设计了两阶段训练策略，有效缓解了训练与预测的不匹配问题，在CGED2020数据集上单模型F_0.5达到34.18%,优于以往的方法.此外，本文还提出了一种基于ChatGLM的中文语法纠错模型CorGLM（Chinese Grammatical Correction Model based on ChatGLM）,并对Baichuan大模型设计了特定的Prompt.通过与CTDGC等模型的融合，F_0.5显著提升至40.33%,验证了本文方法的有效性和优越性.

关键词

中文语法纠错 / 类型依赖关系 / 两阶段训练 / 大规模语言模型 / 模型融合