| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景和意义 | 第9-11页 |
| 1.2 国内外相关技术发展现状 | 第11-14页 |
| 1.3 本文的主要研究内容和内容安排 | 第14-16页 |
| 1.3.1 主要研究内容 | 第14页 |
| 1.3.2 本文内容安排 | 第14-16页 |
| 第2章 基于语法错误类型的语料分析与扩充 | 第16-25页 |
| 2.1 引言 | 第16页 |
| 2.2 实验语料特点分析 | 第16-18页 |
| 2.2.1 语料错误类型分析 | 第16-18页 |
| 2.2.2 中英文语法错误对比 | 第18页 |
| 2.3 实验数据的准备 | 第18-21页 |
| 2.3.1 数据预处理 | 第19-20页 |
| 2.3.2 中文分词和词性标注 | 第20-21页 |
| 2.4 语法错误类型的启发式规则构建 | 第21-24页 |
| 2.4.1 冗余相关规则 | 第21-22页 |
| 2.4.2 缺失相关规则 | 第22-23页 |
| 2.4.3 误用相关规则 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于分类的语法错误检测 | 第25-40页 |
| 3.1 引言 | 第25页 |
| 3.2 构建基于词性统计的N-GRAM模型 | 第25-29页 |
| 3.2.1 n-gram计数文件的生成 | 第26页 |
| 3.2.2 Good-Turing平滑与Katz回退 | 第26-28页 |
| 3.2.3 语句权值设置 | 第28-29页 |
| 3.3 词性特征的选择与构建 | 第29-30页 |
| 3.4 分类模型选择 | 第30-33页 |
| 3.4.1 支持向量机 | 第31-32页 |
| 3.4.2 朴素贝叶斯 | 第32-33页 |
| 3.4.3 单类模型存在的问题 | 第33页 |
| 3.5 集成分类模型 | 第33-36页 |
| 3.5.1 随机森林算法 | 第34页 |
| 3.5.2 Ada Boost算法 | 第34-36页 |
| 3.5.3 线性加权集成分类方法 | 第36页 |
| 3.6 基于卷积神经网络的语句分类 | 第36-39页 |
| 3.6.1 卷积神经网络结构 | 第37-38页 |
| 3.6.2 语句级的模型构建 | 第38-39页 |
| 3.7 本章小结 | 第39-40页 |
| 第4章 基于序列标注的语法错误检测 | 第40-47页 |
| 4.1 引言 | 第40页 |
| 4.2 基于CRF模型的语法错误检测 | 第40-42页 |
| 4.2.1 CRF的模型构建 | 第40-41页 |
| 4.2.2 标注体系的定义 | 第41-42页 |
| 4.3 基于CRF的特征构建方法 | 第42-46页 |
| 4.3.1 依存树结构特征提取 | 第42-45页 |
| 4.3.2 特征模板构建 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 实验结果与分析 | 第47-60页 |
| 5.1 引言 | 第47-48页 |
| 5.2 实验环境与数据来源 | 第48页 |
| 5.3 评价指标 | 第48-49页 |
| 5.4 实验结果及分析 | 第49-59页 |
| 5.4.1 基于分类的实验及分析 | 第49-55页 |
| 5.4.2 基于序列标注的实验及分析 | 第55-57页 |
| 5.4.3 本课题模型与其他方法性能的对比分析 | 第57-59页 |
| 5.4.4 中文语法错误检测平台 | 第59页 |
| 5.5 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第68-70页 |
| 致谢 | 第70页 |