中文文本糾錯
Chinese Text Correction
適用於針對輸入文本(對話)，特別是語音識別同音異字等進行改錯
Call for Partner or POC (Proof of Concept) Contact: TonTon ( at ) TWMAN.ORG
本文由 Ian Wang 撰寫初稿後再進行編修，且持續更新中
Convolutional Sequence to Sequence Learning
https://arxiv.org/abs/1705.03122
https://github.com/huggingface/transformers
pycorrector
使用jieba進行斷詞後，再基於kenlm進行錯別字判斷的簡易文本糾錯方法
優點
方便安裝與使用
速度快
基礎錯字處理上有一定效果
缺點
準確率不佳
無法經過重新訓練以符合情境
在專有名詞或是斷詞錯誤情況下容易出錯
Source Code: https://github.com/shibing624/pycorrector
Bert
效果範例
我因該不會在來了 => 我应該不會再來了
爸爸去樓尚買電視 => 爸爸去樓上买電視
昨天正想高訴你 => 昨天正想告訴你
優點
效果較佳，在不考慮簡體情形下糾錯正確。（簡體情況在後續實驗改良）
糾錯後更改為簡體字的部分，可用技巧性的轉回繁體解決。
簡繁效果相近，但簡體環境效果仍然稍微略好。
缺點
BERT 模型較大，預測速度相對較慢。
即使輸出可為繁體，但計算過程仍有簡體字存在，可能遭受質疑。
錯誤檢測模型大，且因為該統計模型為基於簡體，需帶一些簡體文本檔案。
Electra
效果範例
我因該不會在來了 => 我因該不會在來了
爸爸去樓尚買電視 => 爸爸去樓上買電視
昨天正想高訴你 => 昨天正想高訴你
優點
檢測與糾正同一模型可達成，可能也正是繁體效果較差的原因。
模型最小，預測速度最快。
缺點
簡體與繁體的預測效果差距較大。
即使輸出可為繁體，但計算過程仍有簡體字存在，可能遭受質疑。
要做重新訓練還需再花時間研究架構與作法，之前不曾做過 Electra 的相關訓練與研究。
Deep Learning
RNN + Attention (by Stanford University， 2016) (Tensorflow)
英文版本在CoNLL 2014比賽中排名第一
論文網址：https://arxiv.org/pdf/1603.09727.pdf
Seq2Seq + Attention (Keras)
模型容易收斂，但容易過overfitting
針對長文本較為有效，較不符合豹小密等機器人使用情況
無參加比賽或論文等輔助數據，但有留言說使用後效果不如預期
ConvSeq2Seq (by 北京語言大學， 2018) (Pytorch)
基於Facebook的fairseq，由北京語言大學團隊改進ConvS2S模型用於中文糾錯
Facebook論文網址：https://arxiv.org/pdf/1904.01038.pdf
北京語言大學論文網址：https://link.springer.com/chapter/10.1007/978-3-319-99501-4_36
2018 NLPCC Chinese Grammatical Error Correction Result
BERT：現有提供已透過中文文本糾錯數據fine-tune的BERT模型
https://pan.baidu.com/s/1QCRe5fXSinXSY1lfm7BaQg (pass: m4mg)
Fine-tune data
人名日報2014版數據 (101MB)
CGED三年比賽數據 (2.8MB)
部分中文維基百科數據 (50MB)
訓練過程
使用3張P40 GPU訓練3個世代，總時長超過24小時；成本不划算
改良方向：將pre-trained BERT用實際應用場景數據進行Fine-tune後，使用蒸餾法進行模型上的縮減；或是先使用蒸餾法產出一個比較小的模型後再用我們的數據進行fine-tune，如此一來模型會變得更小且具有更快的推論速度，更適合應用在實時性的機器人服務場景上
方法總結：
目前已有許多可用套件與模型，但皆與實際使用情況有少許出入，必須取得實際應用場景數據並針對其進行調整，才能達到較好結果
資料明確不足情況下，相對套件仍然確實有著較高分數
套件無法處理專有名詞，ex. 麥當勞、海底撈，模型可藉由數據習得
模型可解決糾錯前後長度不一的 case，ex. 肯肯肯肯德基 -> 肯德基，套件則限一個字換一個字
套件用一般字詞情況做修正，模型則是依據訓練數據，刻意使用諧音的場合套件容易發生錯誤
模型可因應不同訓練數據適應不同使用場景，套件則為單一改法
模型有著改善空間，套件則無