中文文本纠错任务

 

最近在梳理中文文本纠错任务，文本根据搜集到的文章整理成的任务简介，在此先感谢大佬们分享的高质量资料。

 

1

任务简介

 

中文文本纠错是针对中文文本拼写错误进行检测与纠正的一项工作，中文的文本纠错，应用场景很多，诸如输入法纠错、输入预测、ASR 后纠错等等，例如：

• 写作辅助：在内容写作平台上内嵌纠错模块，可在作者写作时自动检查并提示错别字情况。从而降低因疏忽导致的错误表述，有效提升作者的文章写作质量，同时给用户更好的阅读体验。

• 公文纠错：针对公文写作场景，提供字词、标点、专名、数值内容纠错，包含领导人姓名、领导人职位、数值一致性等内容的检查与纠错，辅助进行公文审阅校对。

• 搜索纠错：用户在搜索时经常输入错误，通过分析搜索query的形式和特征，可自动纠正搜索query并提示用户，进而给出更符合用户需求的搜索结果，有效屏蔽错别字对用户真实需求的影响。

• 语音识别对话纠错将文本纠错嵌入对话系统中，可自动修正语音识别转文本过程中的错别字，向对话理解系统传递纠错后的正确query，能明显提高语音识别准确率，使产品整体体验更佳

图片来源---百度大脑AI开放平台-文本纠错：https://ai.baidu.com/tech/nlp_apply/text_corrector

 

2

中文拼写常见错误类型

 

错误类型	示例
同音字相似错误	强烈推荐-墙裂推荐、配副眼睛-配副眼镜
近音字相似错误	牛郎织女-流浪织女
字形相似错误	顽强拼搏-顽强拼博
词序混乱	两户人家-两家人户
缺字少字	浩瀚星海-浩瀚星
中文全拼拼写	天下-tianxia
中文首字母缩写	北京-bj
中文简拼	明星大侦探-明侦
语法错误	无法言说-言说无法

我们把中文常见错误总结分为三类：1、用词错误，由于输入法等原因导致的选词错误，其主要表现为音近，形近等；2、文法/句法错误，该类错误主要是由于对语言不熟悉导致的如多字、少字、乱序等错误，其错误片段相对较大；3、知识类错误，该类错误可能由于对某些知识不熟悉导致的错误，要解决该类问题，通常得引入外部知识、常识等。

当然，针对确定场景，这些问题并不一定全部存在，比如输入法中需要处理1234，搜索引擎需要处理1234567，ASR 后文本纠错只需要处理12，其中5主要针对五笔或者笔画手写输入等。

 

3

主流技术

 

中文本纠错的 paper 很多，整体来看，可以统一在一个框架下，即三大步：

• 错误识别

该阶段主要目的在于，判断文本是否存在错误需要纠正，如果存在则传递到后面两层。这一阶段可以提高整体流程的效率。

错误识别/检测的目标是识别输入句子可能存在的问题，采用序列表示(Transformer/LSTM)+CRF的序列预测模型，这个模型的创新点主要包括：1、词法/句法分析等语言先验知识的充分应用；2、特征设计方面，除了DNN相关这种泛化能力比较强的特征，还结合了大量hard统计特征，既充分利用DNN模型的泛化能力，又对低频与OOV(Out of Vocabulary)有一定的区分；3、最后，根据字粒度和词粒度各自的特点，在模型中对其进行融合，解决词对齐的问题

• 候选召回

候选召回指的是，识别出具体的错误点之后，需要进行错误纠正，为了达到更好的效果以及性能，需要结合历史错误行为，以及音形等特征召回纠错候选。主要可分为两部分工作：离线的候选挖掘，在线的候选预排序。离线候选挖掘利用大规模多来源的错误对齐语料，通过对其模型，得到不同粒度的错误混淆矩阵。在线候选预排序主要是针对当前的错误点，对离线召回的大量纠错候选，结合语言模型以及错误混淆矩阵的特征，控制进入纠错排序阶段的候选集数量与质量。

该阶段主要目的在于，利用一种或多种策略（规则或模型），生成针对原句的纠正候选。这一阶段是整体流程召回率的保证，同时也是一个模型的上限。

• 纠错排序

该阶段主要目的在于，在上一阶段基础上，利用某种评分函数或分类器，结合局部乃至全局的特征，针对纠正候选进行排序，最终排序最高（如没有错误识别阶段，则仍需比原句评分更高或评分比值高过阈值，否则认为不需纠错）的纠正候选作为最终纠错结果。

 

4

中文文本纠错评测

 

数据集

SIGHAN Bake-off 2013: [http://ir.itc.ntnu.edu.tw/lre/sighan7csc.html](http://ir.itc.ntnu.edu.tw/lre/sighan7csc.html)

SIGHAN Bake-off 2014 : [http://ir.itc.ntnu.edu.tw/lre/clp14csc.html](http://ir.itc.ntnu.edu.tw/lre/clp14csc.html)

SIGHAN Bake-off 2015 : [http://ir.itc.ntnu.edu.tw/lre/sighan8csc.html](http://ir.itc.ntnu.edu.tw/lre/sighan8csc.html)

中文输入纠错的评测数据主要包括SIGHAN Bake-off 2013/2014/2015这三个数据集，均是针对繁体字进行的纠错。其中，只有SIGHAN Bake-off 2013是针对母语使用者的，而另外两个是针对非母语使用者。

评价指标

这里主要罗列一下常用的评测指标。在错误识别子任务中，常用的评测指标有：

• FAR（错误识别率）：没有笔误却被识别为有笔误的句子数/没有笔误的句子总数

• DA（识别精准率）：正确识别是否有笔误的句子数（不管有没有笔误）/句子总数

• DP（识别准确率）：识别有笔误的句子中正确的个数/识别有笔误的句子总数

• DR（识别找回率）：识别有笔误的句子中正确的个数/有笔误的句子总数

• DF1（识别F1值）：2 * DP * DR/ (DP + DR)

• ELA（错误位置精准率）：位置识别正确的句子（不管有没有笔误）/句子总数

• ELP（错误位置准确率）：正确识别出笔误所在位置的句子/识别有笔误的句子总数

• ELR（错误位置召回率）：正确识别出笔误所在位置的句子/有笔误的句子总数

• ELF1（错误位置准确率）：2ELPELR / (ELP+ELR)在错误纠正任务中，常用的评测指标为：

• LA位置精确率：识别出笔误位置的句子／总的句子

• CA修改精确率：修改正确的句子／句子总数

• CP修改准确率：修改正确的句子／修改过的句子

虽然文本纠错具体会分为错误识别和错误修正两部分，并分别构造评价指标。但考虑到端到端任务，我们评价完整的纠错过程：

• 应该纠错的，即有错文本记为 P，不该纠错的，即无错文本记为 N
• 对于该纠错的，纠错对了，记为 TP，纠错了或未纠，记为 FP
• 对于不该纠错的，未纠错，记为 TN，纠错了，记为 FN。通常场景下，差准比查全更重要，FN 更难接受，本来对了改成错的这个更离谱，可构造下述评价指标：,其中

 

5

相关方法

 

相关论文

整理来自：https://blog.csdn.net/qq_36426650/article/details/122807019

• 【1】DCSpell：A Detector-Corrector Framework for Chinese Spelling Error Correction（SIGIR2021）
• 【2】Tail-to-Tail Non-Autoregressive Sequence Prediction for Chinese Grammatical Error Correction- （ACL2021）
• 【3】Correcting Chinese Spelling Errors with Phonetic Pre-training（ACL2021）
• 【4】PLOME：Pre-trained with Misspelled Knowledge for Chinese Spelling Correction（ACL2021）
• 【5】PHMOSpell：Phonological and Morphological Knowledge Guided Chinese Spelling Check（ACL2021）
• 【6】Exploration and Exploitation: Two Ways to Improve Chinese Spelling Correction Models（ACL2021）
• 【7】Dynamic Connected Networks for Chinese Spelling Check（2021ACL）
• 【8】Global Attention Decoder for Chinese Spelling Error Correction（ACL2021）
• 【9】Read, Listen, and See: Leveraging Multimodal Information Helps Chinese Spell Checking（ACL2021）
• 【10】SpellBERT: A Lightweight Pretrained Model for Chinese Spelling Check（EMNLP2021）
• 【11】A Hybrid Approach to Automatic Corpus Generation for Chinese Spelling Check（EMNLP2018）
• 【12】Adversarial Semantic Decoupling for Recognizing Open-Vocabulary Slots（EMNLP2020）
• 【13】Chunk-based Chinese Spelling Check with Global Optimization（EMNLP2020）
• 【14】Confusionset-guided Pointer Networks for Chinese Spelling Check（ACL2019）
• 【15】Context-Sensitive Malicious Spelling Error Correction（WWW2019）
• 【16】FASPell：A Fast, Adaptable, Simple, Powerful Chinese Spell Checker Based On DAE-Decoder Paradigm (2019ACL)
• 【17】SpellGCN：Incorporating Phonological and Visual Similarities into Language Models for Chinese Spelling Check (2020ACL)
• 【18】Spelling Error Correction with Soft-Masked BERT（ACL2020）

在OpenReview上提交至ARR2022的相关稿件有：

• 【1】Exploring and Adapting Chinese GPT to Pinyin Input Method 【PDF】
• 【2】The Past Mistake is the Future Wisdom: Error-driven Contrastive Probability Optimization for Chinese Spell Checking 【PDF】【Code】【Data】
• 【3】Sparsity Regularization for Chinese Spelling Check【PDF】
• 【4】Pre-Training with Syntactic Structure Prediction for Chinese Semantic Error Recognition【PDF】
• 【5】ECSpellUD: Zero-shot Domain Adaptive Chinese Spelling Check with User Dictionary【PDF】
• 【6】SpelLM: Augmenting Chinese Spell Check Using Input Salience【PDF】【Code】【Data】
• 【7】Pinyin-bert: A new solution to Chinese pinyin to character conversion task【PDF】

简单总结一下目前CSC的方法：

• 基于BERT：以为CSC时是基于token（字符）级别的预测任务，输入输出序列长度一致，因此非常类似预训练语言模型的Masked Language Modeling（MLM），因此现如今绝大多数的方法是基于MLM实现的。而在BERT问世前，CSC则以RNN+Decoder、CRF为主；

• 多模态融合：上文提到CSC涉及到字音字形，因此有一些方法则是考虑如何将Word Embedding、Glyphic Embedding和Phonetic Embedding进行结合，因此涌现出一些多模态方法；

 

6

最新技术

 

• FASPell（爱奇艺）

技术方案 FASPell: A Fast, Adaptable, Simple, Powerful Chinese Spell Checker Based On DAE-Decoder Paradigm

code: https://github.com/iqiyi/FASPell

• SpellGCN （阿里）

技术方案 SpellGCN: Incorporating Phonological and Visual Similarities into Language Models for Chinese Spelling Check

code: https://github.com/ACL2020SpellGCN/SpellGCN

• Soft-Mask BERT （字节）

技术方案：Spelling Error Correction with Soft-Masked BERT

code: https://github.com/hiyoung123/SoftMaskedBert

• Spelling Correction as a Foreign Language （ebay)

技术方案 Spelling Correction as a Foreign Language

 

7

中文纠错的开源项目

 

pycorrector

https://github.com/shibing624/pycorrector

中文文本纠错工具。支持中文音似、形似、语法错误纠正，python3开发。pycorrector实现了Kenlm、ConvSeq2Seq、BERT、MacBERT、ELECTRA、ERNIE、Transformer等多种模型的文本纠错，并在SigHAN数据集评估各模型的效果。

correction

https://github.com/ccheng16/correction

大致思路：

• 使用语言模型计算句子或序列的合理性
• bigram, trigram, 4-gram 结合，并对每个字的分数求平均以平滑每个字的得分
• 根据Median Absolute Deviation算出outlier分数，并结合jieba分词结果确定需要修改的范围
• 根据形近字、音近字构成的混淆集合列出候选字，并对需要修改的范围逐字改正
• 句子中的错误会使分词结果更加细碎，结合替换字之后的分词结果确定需要改正的字
• 探测句末语气词，如有错误直接改正

Cn_Speck_Checker

https://github.com/PengheLiu/Cn_Speck_Checker

• 使用了贝叶斯定理
• 初始化所有潜在中文词的先验概率，将文本集（50篇医学文章）分词后，统计各个中文词的出现频率即为其先验概率
• 当给定一待纠错单词时，需要找出可能的正确单词列表，这里根据字符距离来找出可能的正确单词列表
• 对构造出来的单词做了一次验证后再将其加入候选集合中，即判断了下该词是否为有效单词，根据其是否在单词模型中

• 程序原理：

chinese_correct_wsd

https://github.com/taozhijiang/chinese_correct_wsd

• 用于用户输入语句的同音自动纠错
• 使用到了同义词词林

• 方法：

Autochecker4Chinese

https://github.com/beyondacm/Autochecker4Chinese

• 构造一个词典来检测中文短语的拼写错误，key是中文短语，值是在语料库中的频率
• 对于该字典中未出现的任何短语，检测器会将其检测为拼写错误的短语
• 使用编辑距离为错误拼写的短语制作正确的候选列表
• 对于给定的句子，使用jieba做分割
• 在分段完成后获取分段列表，检查其中是否存在保留短语，如果不存在，那么它是拼写错误的短语

• 方法：

 

8

参考资料

 

• 中文纠错（Chinese Spelling Correct）最新技术方案总结
• 中文文本纠错算法--错别字纠正的二三事
• 中文文本纠错算法走到多远了？
• 中文输入纠错任务整理
• nlp 中文文本纠错_百度中文纠错技术
• 中文拼写检测（Chinese Spelling Checking）相关方法、评测任务、榜单
• 中文(语音结果)的文本纠错综述 Chinese Spelling Check
• https://github.com/shibing624/pycorrector

 

---

审核编辑 ：李倩