拼写纠正系列

NLP 中文拼写检测实现思路

NLP 中文拼写检测纠正算法整理

NLP 英文拼写算法,如果提升 100W 倍的性能?

NLP 中文拼写检测纠正 Paper

java 实现中英文拼写检查和错误纠正?可我只会写 CRUD 啊!

一个提升英文单词拼写检测性能 1000 倍的算法?

单词拼写纠正-03-leetcode edit-distance 72.力扣编辑距离

NLP 开源项目

nlp-hanzi-similar 汉字相似度

word-checker 中英文拼写检测

pinyin 汉字转拼音

opencc4j 繁简体转换

sensitive-word 敏感词

前言

大家好,我是老马。

下面学习整理一些其他优秀小伙伴的设计和开源实现。

SpellChecker

手动实现三个方法的拼写检查demo

手动实现三个方法的拼写检查demo

Peter Norvig版本

Trie 版本

BK-Tree版本

FASPell

https://github.com/iqiyi/FASPell

FASPell

该仓库(根据GNU通用公共许可证v3.0许可)
包含构建当前最佳(到2019年初)中文拼写检查器所需的所有数据和代码,可以以此复现我们的同名论文中的全部实验:

**FASPell: A Fast, Adaptable, Simple, Powerful Chinese Spell Checker
Based On DAE-Decoder Paradigm** LINK

概述

中文拼写检查(CSC)的任务通常仅考虑对中文文本中的替换错误进行检测和纠正。

其他类型的错误(例如删除/插入错误)相对较少。

FASPell是中文拼写检查器,可让您轻松完成对任何一种中文文本(简体中文文本;

繁体中文文本; 人类论文; OCR结果等)的拼写检查,且拥有最先进的性能。

model

性能

下述表格描述了FASPell在SIGHAN15测试集上的性能。

句子级性能为:

| | 精确率 | 召回率 |
| ------------- | ------------- | ------------- |
| 检错 | 67.6% | 60.0% |
| 纠错 | 66.6% | 59.1% |

字符级性能为:

| | 精确率 | 召回率 |
| ------------- | ------------- | ------------- |
| 检错 | 76.2% | 67.1% |
| 纠错 | 73.5% | 64.8% |

这意味着10个错误检测/纠正中大约7个是正确的,并且可以成功检测/纠正10个错误中的6个。

使用方法

以下是能够指导您构建中文拼写检查器的步骤指南。

依赖

python == 3.6
tensorflow >= 1.7
matplotlib
tqdm
java (仅在使用树编辑距离时需要)
apted.jar (同上,仅在使用树编辑距离时需要)

数据准备

在此步骤中,您将在此处下载所有数据。

数据包括拼写检查数据(用于训练和测试)以及用于计算字符相似度的字符特征。

由于FASPell中使用的大多数数据来自其他提供商,所以请注意下载的数据应转换为我们所需的格式。

在仓库中,我们提供了一些示例数据来占位。下载好全部数据后请用相同的文件名覆盖它们。

完成此步骤后,如果您有兴趣,则可以使用以下脚本来计算字符相似度:

$ python char_sim.py 午 牛 年 千

请注意,FASPell仅采用字符串编辑距离进行计算
相似。 如果您对使用树编辑距离计算相似度感兴趣
,您需要下载(从
这里)并编译一个
树编辑距离可执行文件“ apted.jar”到主目录,然后运行:

$ python char_sim.py 午 牛 年 千 -t

训练

我们强烈建议您在实施此步骤之前阅读我们的论文。

共有三个训练步骤(按顺序)。 点击链接

获得他们的详细信息:

  1. 预训练掩码语言模型:请参阅此处
  2. 微调训练掩码语言模型:请参阅此处
  3. 训练CSD过滤器:请参见此处

运行拼写检查器

检查您的目录结构是否如下:

    FASPell/
      - bert_modified/
          - create_data.py
          - create_tf_record.py
          - modeling.py
          - tokenization.py
      - data/
          - char_meta.txt
      - model/
          - fine-tuned/
              - model.ckpt-10000.data-00000-of-00001
              - model.ckpt-10000.index
              - model.ckpt-10000.meta
          - pre-trained/
              - bert_config.json
              - bert_model.ckpt.data-00000-of-00001
              - bert_model.ckpt.index
              - bert_model.ckpt.meta
              - vocab.txt
      - plots/
          ...
      - char_sim.py
      - faspell.py
      - faspell_configs.json
      - masked_lm.py
      - plot.py

现在,您应该可以使用以下命令对中文句子进行拼写检查:

    $ python faspell.py 扫吗关注么众号 受奇艺全网首播

您还可以检查文件中的句子(每行一个句子):

    $ python faspell.py -m f -f /path/to/your/file

如要在测试集上测试拼写检查器,请将faspell_configs.json中的"testing_set"设置为测试集的路径并运行:

    $ python faspell.py -m e

您可以将faspell_configs.json中的"round"设置为不同的值,并运行上述命令以找到最佳的回合数。

数据

中文拼写检查数据

  1. 人类生成的数据:

    • SIGHAN-2013 shared task on CSC:
      LINK
    • SIGHAN-2014 shared task on CSC:
      LINK
    • SIGHAN-2015 shared task on CSC:
      LINK
  2. 机器生成的数据:

    • 我们论文中使用的OCR结果:

要使用我们的代码,拼写检查数据的格式应按照以下例子:

    错误字数    错误句子    正确句子
    0    你好!我是張愛文。    你好!我是張愛文。
    1    下個星期,我跟我朋唷打算去法國玩兒。    下個星期,我跟我朋友打算去法國玩兒。
    0    我聽說,你找到新工作,我很高興。    我聽說,你找到新工作,我很高興。
    1    對不氣,最近我很忙,所以我不會去妳的。    對不起,最近我很忙,所以我不會去妳的。
    1    真麻煩你了。希望你們好好的跳無。    真麻煩你了。希望你們好好的跳舞。
    3    我以前想要高訴你,可是我忘了。我真戶禿。    我以前想要告訴你,可是我忘了。我真糊塗。

中文字符特征

我们使用来自两个开放数据库提供的特征。 使用前请检查其许可证。

数据库名数据链接使用的文件
字形特征漢字データベースプロジェクト(汉字数据库项目)LINKids.txt
字音特征Unihan DatabaseLINKUnihan_Readings.txt

※ 请注意,原始 ids.txt 本身不提供笔划级别的IDS(出于压缩目的)。 但是,您可以使用树递归(从具有笔画级IDS的简单字符的IDS开始)来为所有字符自己生成笔画级IDS。

可以与我们的代码一起使用的特征文件(char_meta.txt)应该具有格式如下:

    unicode编码    字符    CJKV各语言发音    笔划级别的IDS
    U+4EBA    人    ren2;jan4;IN;JIN,NIN;nhân    ⿰丿㇏
    U+571F    土    du4,tu3,cha3,tu2;tou2;TWU,THO;DO,TO;thổ    ⿱⿻一丨一
    U+7531    由    you2,yao1;jau4;YU;YUU,YUI,YU;do    ⿻⿰丨𠃌⿱⿻一丨一
    U+9A6C    马    ma3;maa5;null;null;null    ⿹⿱𠃍㇉一
    U+99AC    馬    ma3;maa5;MA;MA,BA,ME;mã    ⿹⿱⿻⿱一⿱一一丨㇉灬

其中:

  • CJKV各语言发音的字符串遵循格式:MC;CC;K;JO;V
  • 当一个语言中的字符是多音字时,可能的发音用,分隔;
  • 当一个字符不存在某个语言的发音时,用null来做占位符。

小结

希望本文对你有所帮助,如果喜欢,欢迎点赞收藏转发一波。

我是老马,期待与你的下次相遇。


老马啸西风
191 声望34 粉丝