.png){kind=icon}
返回
Grammar error diagnosis using graph convolutional networks with knowledge graph integration
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-45622-x.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动语法错误诊断因自然语言中句法结构和语义依赖的复杂性而仍然具有挑战性。本研究提出了一种新颖的框架，将图卷积网络（GCNs）与领域特定的知识图谱相结合，以增强英语语法错误的检测与修正。该方法构建句子级别的依存图以显式建模句法关系，同时一个多层级的语法知识图谱系统地组织了语法概念、错误分类和修正策略。多层图卷积在句法依赖之间传播上下文信息，而注意力机制为节点表示动态分配权重以实现诊断相关性。知识图谱的集成通过结构化语言知识丰富了神经表示，从而实现了准确的错误检测和可解释的反馈生成。在CoNLL-2014、JFLEG和BEA-2019基准数据集上的实验评估显示出显著改进，分别达到了0.6484、0.6719和0.6367的F1分数，在CoNLL-2014上超越最强基线BERT+BiLSTM约8.8%，并优于竞争性GECToR序列标注系统4.4%，所有增益均通过自助法重采样确认具有统计学意义。该框架在识别诸如动词时态不一致和主谓一致错误等句法错误方面尤为有效。我们相信这项研究通过连接数据驱动学习与显式语法知识，推动了基于图的自然语言处理的发展，为语言教育提供了具有良好教学潜力的诊断工具——尽管需要进一步的用户研究来完全验证其教育效果。
Keyword:
Computational biology and bioinformatics
Mathematics and computing
Graph convolutional networks
Grammar error diagnosis
Knowledge graph
Syntactic dependency
Natural language processing
Educational technology
Science
Humanities and Social Sciences
multidisciplinary
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
