本文探讨了多种神经网络模型在语法错误纠正中的应用，包括短语统计机器翻译和Transformer架构。研究表明，利用上下文信息和增加训练数据可以显著提高语法错误的纠正准确性。此外，预训练语言模型在处理自然语法错误时的表现也显示出不同模型的鲁棒性差异。

本论文使用统计机器翻译和深度学习方法解决了生成连贯故事的任务。通过两种SMT方法和一个深度RNN架构，将输入描述编码为潜在表示，并解码生成完备的故事总结。在公开数据集上验证了该方法的有效性。