【NLP】基于“检测器-纠错器”中文文本纠错框架

前言

许多方法将中文拼写纠正（检测和纠正给定中文句子中的错误字符）视为序列标注任务，并在句子对上进行微调。一些方法使用错误检测器作为初步任务，然后将检测结果用于辅助后续的错误纠正过程。然而，现有方法在使用检测器时存在一些问题，如检测器性能不足或检测信息未能有效应用于纠正过程。

难点：中文拼写纠正的难点在于中文是由象形文字组成的，字符的形状和发音与其意义密切相关。此外，中文句子通常由连续的字符组成，没有分隔符，这使得CSC方法必须基于上下文信息来辨别错误，而不是直接从独立的词语中查找拼写错误。

本文介绍的文章提出了一种基于检测器-纠错器框架的方法，用于解决中文拼写纠正问题

方法

检测器

设计一个检测器生成高精度的检测结果和高召回率的检测结果。检测器基于ELECTRA模型，通过字符级别的二分类任务来识别错误字符。检测器的输出是一个概率值，表示每个字符是否为错误字符。
检测器通过设置两个阈值来获得高置信度的检测结果。高阈值用于保留高置信度的预测（高精确度），低阈值用于保留有一定置信度的预测（高召回率）。这么做有以下两个目的：

• 高精度检测结果用于特征融合，通过将检测结果直接加到源句子嵌入中，使错误字符的嵌入与其他字符区分开来。
• 高召回率检测结果用于选择性掩码策略，通过在原始句子中选择性掩码错误检测位置及其上下文，引导模型在纠正过程中考虑这些位置。

纠错器

纠正器**基于BERT模型（如：ELECTRA）**构建，使用预训练的中文BERT模型来初始化纠正器的权重。纠正器利用检测器产生的高精确度和高召回率的检测结果，分别采用错误位置信息融合策略（EP）和选择性掩蔽策略（SM）。

• 错误位置信息融合策略（EP）：对于高精确度的检测结果，通过将错误检测结果直接添加到源句子嵌入中，只改变被识别为错误的标记的嵌入。为了更好地处理上下文中的错误，引入了模糊指示（Fuzzy Indication, FI）策略，将狄拉克δ分布映射到高斯分布，以适应离散情况。这种方法有助于模型在处理不精确的错误位置指示时，仍然能够正确地纠正错误。

  

  计算方法：

  • 对于每个字符，根据其在句子中的位置和预设的高斯分布参数（μ, δ, s），计算其高斯分布值。
  • 如果一个字符被检测为错误，其高斯分布值将显著高于其他字符，从而在嵌入中突出显示这个位置。

• 选择性遮蔽策略（SM）：对于高召回率的检测结果，通过掩蔽句子中相应位置的字符（将这些字符替换为特殊的掩蔽标记（如BERT中的[MASK]标记）），并在原始句子后拼接这个部分遮蔽的句子（这样，原始句子提供了完整的上下文信息，而掩蔽的句子部分则提供了需要纠正的明确位置。）。这种方法类似于在原始句子的末尾重写句子，但为不太确定的位置留下空白。这种策略不仅提示模型在预测时考虑错误的上下文，而且在检测结果偏离时，通过扩展掩蔽长度，增强了对检测不精确性的容忍度。

  

实验

消融实验表明高斯分布在模糊指示中表现最佳，遮蔽长度为5时效果最好。

结论

这篇文章提出了一种基于检测器-纠正器框架的中文拼写纠正方法，通过设计高精度的检测器和高召回率的检测器，并结合特征融合策略和选择性遮蔽策略，提高了错误纠正的效果。本文提出的纠错方法还是属于传统NLP领域的方法，供参考。

参考文献

• A Coin Has Two Sides: A Novel Detector-Corrector Framework for Chinese Spelling Correction，https://arxiv.org/abs/2409.04150v1