中文文本糾錯

Convolutional Sequence to Sequence Learning
https://arxiv.org/abs/1705.03122
https://github.com/huggingface/transformers
https://github.com/shibing624/pycorrector
https://github.com/pytorch/fairseq

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