CN114239559A - 文本纠错和文本纠错模型的生成方法、装置、设备和介质 - Google Patents
文本纠错和文本纠错模型的生成方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN114239559A CN114239559A CN202111350558.9A CN202111350558A CN114239559A CN 114239559 A CN114239559 A CN 114239559A CN 202111350558 A CN202111350558 A CN 202111350558A CN 114239559 A CN114239559 A CN 114239559A
- Authority
- CN
- China
- Prior art keywords
- text
- sample
- pinyin
- corrected
- error
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012937 correction Methods 0.000 title claims abstract description 339
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000001514 detection method Methods 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 14
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000003058 natural language processing Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/232—Orthographic correction, e.g. spell checking or vowelisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Machine Translation (AREA)
- Document Processing Apparatus (AREA)
Abstract
本公开提供了文本纠错方法、装置、电子设备和存储介质,涉及人工智能技术领域中的自然语言处理和深度学习技术领域。具体实现方案为:获取待纠错文本,获取待纠错文本的拼音序列,将待纠错文本和拼音序列输入至文本纠错模型,以得到纠错后的已纠错文本,其中,文本纠错模型通过以下步骤得到已纠错文本:检测待纠错文本中的错字,确定拼音序列中错字对应的拼音,将拼音对应的拼音特征添加至错字的后面,以得到拼音文本,纠正拼音文本中的错字和拼音特征,以得到已纠错文本。本公开的文本纠错方法,通过将检测到的错字的拼音特征连接到错字后面进行纠错,可以处理变长纠错的问题,提高了纠错结果的准确度。
Description
技术领域
本公开涉及人工智能技术领域中的自然语言处理和深度学习技术领域,尤其涉及一种文本纠错和文本纠错模型的生成方法、装置、设备和介质。
背景技术
目前,业界对于中文语音识别结果的纠错通常采用非自回归模型。
但采用非自回归模型进行纠错的方式,无法处理变长纠错的问题,导致纠错结果的准确度较低。
发明内容
本公开提供了一种文本纠错和文本纠错模型的生成方法、装置、设备和介质。
根据第一方面,提供了一种文本纠错方法,包括:获取待纠错文本,获取所述待纠错文本的拼音序列,将所述待纠错文本和所述拼音序列输入至文本纠错模型,以得到纠错后的已纠错文本,其中,所述文本纠错模型通过以下步骤得到所述已纠错文本:检测所述待纠错文本中的错字,确定所述拼音序列中所述错字对应的拼音,将所述拼音对应的拼音特征添加至所述错字的后面,以得到拼音文本,纠正所述拼音文本中的所述错字和所述拼音特征,以得到所述已纠错文本。
根据第二方面,提供了一种文本纠错模型的生成方法,包括:获取样本文本、样本文本的样本拼音序列和样本文本的目标文本,将样本文本和样本拼音序列输入至待训练的文本纠错模型,以得到样本已纠错文本,其中,待训练的文本纠错模型通过以下步骤得到样本已纠错文本:检测样本文本中的样本错字,确定样本拼音序列中样本错字对应的样本拼音,将样本拼音对应的样本拼音特征添加至样本错字的后面,以得到样本拼音文本,纠正样本拼音文本中的样本错字和样本拼音特征,以得到样本已纠错文本,根据样本文本、样本已纠错文本和目标文本生成第一损失值,以及根据第一损失值对待训练的文本纠错模型进行训练,以得到文本纠错模型。
根据第三方面,提供了一种文本纠错装置,包括:第一获取模块,用于获取待纠错文本;第二获取模块,用于获取所述待纠错文本的拼音序列;第一纠错模块,用于将所述待纠错文本和所述拼音序列输入至文本纠错模型,以得到纠错后的已纠错文本,其中,所述文本纠错模型通过以下步骤得到所述已纠错文本:检测所述待纠错文本中的错字,确定所述拼音序列中所述错字对应的拼音,将所述拼音对应的拼音特征添加至所述错字的后面,以得到拼音文本,纠正所述拼音文本中的所述错字和所述拼音特征,以得到所述已纠错文本。
根据第四方面,提供了一种文本纠错模型的生成装置,包括:第三获取模块,用于获取样本文本、样本文本的样本拼音序列和样本文本的目标文本;第二纠错模块,用于将样本文本和样本拼音序列输入至待训练的文本纠错模型,以得到样本已纠错文本,其中,待训练的文本纠错模型通过以下步骤得到样本已纠错文本:检测样本文本中的样本错字,确定样本拼音序列中样本错字对应的样本拼音,将样本拼音对应的样本拼音特征添加至样本错字的后面,以得到样本拼音文本,纠正样本拼音文本中的样本错字和样本拼音特征,以得到样本已纠错文本;第一生成模块,用于根据样本文本、样本已纠错文本和目标文本生成第一损失值;以及训练模块,用于根据第一损失值对待训练的文本纠错模型进行训练,以得到文本纠错模型。
根据第五方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开第一方面所述的文本纠错方法或本公开第二方面所述的文本纠错模型的生成方法。
根据第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据本公开第一方面所述的文本纠错方法或本公开第二方面所述的文本纠错模型的生成方法。
根据第七方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据本公开第一方面所述的文本纠错方法的步骤或本公开第二方面所述的文本纠错模型的生成方法的步骤。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的文本纠错方法的流程示意图;
图2是Tagging with Phonetics方法示意图;
图3是结合拼音的非自回归模型示意图;
图4是根据本公开第二实施例的文本纠错方法的流程示意图;
图5是根据本公开第一实施例的文本纠错模型的生成方法的流程示意图;
图6是根据本公开第二实施例的文本纠错模型的生成方法的流程示意图;
图8是根据本公开第一实施例的文本纠错装置的框图;
图9是根据本公开第二实施例的文本纠错装置的框图;
图10是根据本公开第一实施例的文本纠错模型的生成装置的框图;
图11是根据本公开第二实施例的文本纠错模型的生成装置的框图;
图12是用来实现本公开实施例的文本纠错方法或文本纠错模型的生成方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
人工智能(Artificial Intelligence,简称AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用***的一门技术科学。目前,AI技术具有自动化程度高、精确度高、成本低的优点,得到了广泛的应用。
自然语言处理(Natural Language Processing,NLP)是研究能有效地实现自然语言通信的计算机***,特别是其中的软件***的一门科学,是计算机科学领域与人工智能领域中的一个重要方向。
深度学习(Deep Learning,简称DL),是机器学习(Machine Learning,简称ML)领域中一个新的研究方向,学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。就具体研究内容而言,主要包括基于卷积运算的神经网络***,即卷积神经网络;基于多层神经元的自编码神经网络;以多层自编码神经网络的方式进行预训练,进而结合鉴别信息进一步优化神经网络权值的深度置信网络。深度学习在搜索技术,数据挖掘,机器学习,机器翻译,自然语言处理,多媒体学习,语音,推荐和个性化技术,以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动,解决了很多复杂的模式识别难题,使得人工智能相关技术取得了很大进步。
下面结合附图描述本公开实施例的文本纠错和文本纠错模型的生成方法、装置、设备和介质。
图1是根据本公开第一实施例的文本纠错方法的流程示意图。
如图1所示,本公开实施例的文本纠错方法具体可包括以下步骤:
S101,获取待纠错文本。
具体的,本公开实施例的文本纠错方法的执行主体可为本公开实施例提供的文本纠错装置,该文本纠错装置可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选的,执行主体可包括工作站、服务器,计算机、用户终端及其他设备。其中,用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。
需要说明的是,本公开实施例的文本纠错方法可应用于对中文语音识别结果的纠错场景中。中文语音识别结果的纠错在形式上可以表现为:输入含有若干个字的句子也就是语音识别的结果,然后输出纠错后的句子,但是两个句子含有的字数即句子长度不一定相同,比如纠错句子的长度可以相对于原句增加,以句子含有n个字为例,输入X=(x1,x2,…,xn),可输出Y=(y1_1,y2,…,ym),其中n不一定等于m。
针对上述问题,以对语音“你不要难过”识别的结果“你表难过”进行纠错为例,传统的基于非自回归模型的纠错方法,如图2所示,yt图中的C表示需要修改,K表示不需要修改,采用了两步tagging(标注)的方法,第一步是检测语音识别结果“你表难过”的错误位置即检测出语音识别结果中的错字“表”,第二步则是将检测出来的错字“表”用拼音“biao”代替后进行输入,并通过一步tagging进行纠错,得到纠错后的文本“你少难过”,但是该方法由于不能处理变长纠错,也就是输出的纠错结果必须和输入的语音识别结果的长度相同即字数相同,又没能生成出一个与输入的语音识别结果等长并使句子流利的发音相近的纠正,所以产生了一个奇怪的纠错“少”,纠错结果不够准确。
基于此,本公开实施例提供了一种文本纠错方法,通过将检测到的错字的拼音特征连接到错字后面进行纠错,纠错速度快,由于考虑了发音信息,使得纠错结果的准确度较高,且可以处理变长纠错的问题,进一步提高了纠错结果的准确度。
在本公开实施例中,待纠错文本即语音识别出的初始文本,可通过多种客户端获取,包括但不限于手机、电脑等,本公开对此不作过多限定。待纠错文本中可以包含一个句子、一个段落或者一个篇章,比如,新闻稿件等。如图3所示,例如,待纠错文本为“你表难过”。
S102,获取待纠错文本的拼音序列。
具体的,根据步骤S101获取的待纠错文本,进一步获取待纠错文本对应的拼音序列。
需要说明的是,拼音序列即待纠错文本中每个汉字的拼音的组合序列,且用小写字母表示。例如图3中,待纠错文本“你表难过”的拼音序列为“ni biao nan guo”。
S103,将待纠错文本和拼音序列输入至文本纠错模型,以得到纠错后的已纠错文本,其中,文本纠错模型通过以下步骤得到已纠错文本:检测待纠错文本中的错字,确定拼音序列中错字对应的拼音,将拼音对应的拼音特征添加至错字的后面,以得到拼音文本,纠正拼音文本中的错字和拼音特征,以得到已纠错文本。
具体的,将步骤S101获取的待纠错文本和步骤S102获取的待纠错文本对应的拼音序列输入至文本纠错模型中,文本纠错模型首先检测待纠错文本中的错字,并确定拼音序列中与检测出的错字对应的拼音,接着将该拼音对应的拼音特征添加至错字的后面,以得到拼音文本,对拼音文本中的错字和拼音特征进行纠正,从而得到纠错后的已纠错文本。例如图3中,将待纠错文本“你表难过”和对应的拼音序列“ni biao nan guo”输入至文本纠错模型中,文本纠错模型中的错误检测子模型检测出“你表难过”中的错字为“表”,并在拼音序列“ni biao nan guo”中确定出错字“表”对应的拼音为“biao”,将拼音“biao”对应的拼音特征“b i a o”添加至错字“表”的后面,得到拼音文本“你表b i a o难过”,将拼音文本“你表b i a o难过”输入至文本纠错模型中,文本纠错模型中的错误纠正子模型纠正拼音文本“你表b i a o难过”中的错字“表”和拼音特征“b i a o”,得到已纠错文本“你不要难过”。
综上,本公开实施例的文本纠错方法,将待纠错文本和对应的拼音序列输入至文本纠错模型,文本纠错模型检测待纠错文本中的错字,确定拼音序列中错字对应的拼音,将拼音对应的拼音特征添加至错字的后面,以得到拼音文本,纠正拼音文本中的错字和拼音特征,以得到纠错后的已纠错文本。本公开的文本纠错方法,通过将检测到的错字的拼音特征连接到错字后面进行纠错,纠错速度快,由于考虑了发音信息,使得纠错结果的准确度较高,且可以处理变长纠错的问题,进一步提高了纠错结果的准确度。
图4是根据本公开第二实施例的文本纠错方法的流程示意图。
如图4所示,在图1所示实施例的基础上,本公开实施例的文本纠错方法中文本纠错模型可以通过以下步骤得到已纠错文本:
上述实施例步骤S103中的“检测所述待纠错文本中的错字”具体可包括以下步骤S401-S402。
S401,对待纠错文本进行错字检测,以得到检错标注序列。
具体的,文本纠错模型对步骤S101获取的进行错字的检测,从而得到待纠错文本对应的检错标注序列,例如图3中,文本纠错模型中的错误检测子模型对待纠错文本“你表难过”进行错字检测,得到检错标注序列“K C K K”,其中,C表示需要修改,K表示不需要修改。
S402,根据检错标注序列确定待纠错文本中的错字。
具体的,文本纠错模型根据步骤S401获取的待纠错文本的检错标注序列,可进一步确定待纠错文本中的对应的错字,例如图3中,文本纠错模型将待纠错文本“你表难过”中与检错标注序列“K C K K”中的C对应的字“表”确定为错字。
S403,确定拼音序列中错字对应的拼音,将拼音对应的拼音特征添加至错字的后面,以得到拼音文本。
具体的,文本纠错模型根据步骤S102获取的待纠错文本的拼音序列和步骤S402获取的待纠错文本中的错字,确定错字在拼音序列中对应的拼音,并将拼音对应的拼音特征添加至错字的后面,从而得到对应的拼音文本。具体过程参见上述步骤S103中的相关描述,此处不再赘述。
上述实施例步骤S103中的“纠正拼音文本中错字和拼音特征,以得到已纠错文本”具体可包括以下步骤S404-S405。
S404,对拼音文本中的错字和拼音特征进行纠错,以得到候选纠错文本。
具体的,文本纠错模型对步骤S603获取的拼音文本的错字和拼音特征纠错,可得到候选纠错文本。例如图3中,文本纠错模型中的错误纠正子模型对输入的拼音文本“你表bi a o难过”中的错字“表”和拼音特征“b i a o”进行纠错,得到候选纠错文本“你不不ε要要难过”。
S405,对候选纠错文本进行去重处理,以得到已纠错文本。
具体的,文本纠错模型对步骤S404获取的候选纠错文本进行去重处理,可得到对应的纠错处理后的已纠错文本。例如图3中,文本纠错模型对候选纠错文本“你不不ε要要难过”进行去重处理,得到已纠错文本“你不要难过”。
综上,本公开实施例的文本纠错方法,将待纠错文本和对应的拼音序列输入至文本纠错模型,文本纠错模型对待纠错文本进行错字检测得到检错标注序列,根据检错标注序列确定待纠错文本中的错字,并确定拼音序列中错字对应的拼音,将拼音对应的拼音特征添加至错字的后面得到拼音文本,对拼音文本中的错字和拼音特征进行纠错得到候选纠错文本,对候选纠错文本进行去重处理得到纠错后的已纠错文本。本公开的文本纠错方法,通过将检测到的错字的拼音特征连接到错字后面进行纠错,纠错速度快,由于考虑了发音信息,使得纠错结果的准确度较高,且可以处理变长纠错的问题,进一步提高了纠错结果的准确度。同时,通过对待纠错文本进行错字检测来确定拼音序列中错字对应的拼音并进行纠错和去重处理得到纠错后的已纠错文本,避免了纠错结果中的重复,进一步提高了纠错速度和纠错结果的准确度。
图5为本公开一实施例提供的文本纠错模型的生成方法的流程示意图。本公开实施例的文本纠错模型的生成方法,可由本公开实施例提供的文本纠错模型的生成装置执行,以生成上述实施例中的文本纠错模型。
如图5所示,本公开实施例的文本纠错模型的生成方法具体可包括以下步骤:
S501,获取样本文本、样本文本的样本拼音序列和样本文本的目标文本。
具体的,对样本文本、样本文本的样本拼音序列和样本文本的目标文本进行获取。其中,样本文本即用来对待训练的文本纠错模型进行训练的语音识别出的初始文本,样本拼音序列即样本文本中每个汉字的拼音的组合序列,样本文本的目标文本即样本文本对应的真实的已纠错文本。其中,样本文本和其对应的样本拼音序列、目标文本可以是多个。
S502,将样本文本和样本拼音序列输入至待训练的文本纠错模型,以得到样本已纠错文本,其中,待训练的文本纠错模型通过以下步骤得到样本已纠错文本:检测样本文本中的样本错字,确定样本拼音序列中样本错字对应的样本拼音,将样本拼音对应的样本拼音特征添加至样本错字的后面,以得到样本拼音文本,纠正样本拼音文本中的样本错字和样本拼音特征,以得到样本已纠错文本。
具体的,将步骤S501获取的样本文本和样本文本的样本拼音序列输入至待训练的文本纠错模型中,待训练的文本纠错模型首先检测样本文本中的样本错字,并确定样本拼音序列中与样本错字对应的样本拼音,接着将该样本拼音对应的样本拼音特征添加至样本错字的后面,以得到样本拼音文本,对样本拼音文本中的样本错字和样本拼音特征进行纠正,从而得到纠错后的样本已纠错文本。
S503,根据样本文本、样本已纠错文本和目标文本生成第一损失值。
具体的,根据步骤S501获取的样本文本、步骤S502获取的样本已纠错文本和步骤S501获取的样本文本的目标文本生成第一损失值loss1,本公开对损失值的具体生成方式不作过多限定。
S504,根据第一损失值对待训练的文本纠错模型进行训练,以得到文本纠错模型。
具体的,根据步骤S503生成的第一损失值,对待训练的文本纠错模型进行训练,以优化文本纠错模型的模型参数,从而得到优化后的文本纠错模型。通过本公开实施例的文本纠错模型的生成方法对文本纠错模型进行优化,可以进一步提高文本纠错的准确度。
综上,本公开实施例的文本纠错模型的生成方法,将样本文本和对应的样本拼音序列输入至待训练的文本纠错模型,待训练的文本纠错模型检测样本文本中的样本错字,确定样本拼音序列中样本错字对应的样本拼音,将样本拼音对应的样本拼音特征添加至样本错字的后面,以得到样本拼音文本,纠正样本拼音文本中的样本错字和样本拼音特征,以得到纠错后的样本已纠错文本,根据样本文本、样本已纠错文本和目标文本生成第一损失值,根据第一损失值对待训练的文本纠错模型进行训练,以得到文本纠错模型。本公开的文本纠错模型的生成方法,通过将样本文本和样本拼音序列输入至待训练的文本纠错模型得到纠错后的样本已纠错文本,并和目标文本生成第一损失值对待训练模型进行训练得到文本纠错模型,纠错速度快,由于考虑了发音信息,使得纠错结果的准确度较高,且可以处理变长纠错的问题,进一步提高了纠错结果的准确度,还使得对文本纠错模型的训练更加准确和高效。
图6是根据本公开第二实施例的文本纠错模型的生成方法的流程示意图。
如图6所示,在图5所示实施例的基础上,本公开实施例的文本纠错模型的生成方法具体可包括以下步骤:
S601,获取样本文本、样本文本的样本拼音序列和样本文本的目标文本。
具体的,本实施例中的步骤S601与上述实施例中的步骤S501相同,此处不再赘述。
上述实施例中的步骤S502具体包括以下步骤S602。
S602,将样本文本和样本拼音序列输入至待训练的文本纠错模型,待训练的文本纠错模型对样本文本进行错字检测,以得到样本检错标注序列,根据样本检错标注序列确定样本文本中的错字,确定样本拼音序列中样本错字对应的样本拼音,将样本拼音对应的样本拼音特征添加至样本错字的后面,以得到样本拼音文本,对样本拼音文本中的样本错字和样本拼音特征进行纠错,以得到样本候选纠错文本,对样本候选纠错文本进行去重处理,以得到样本已纠错文本。
S603,获取样本文本的目标拼音文本。
具体的,对样本文本的目标拼音文本进行获取,样本文本的目标拼音文本即样本文本对应的真实的拼音文本。
上述实施例中的步骤S503具体可包括以下步骤S604-S606。
S604,根据样本文本、样本拼音文本和目标拼音文本生成第二损失值。
具体的,根据步骤S601获取的样本文本、步骤S602获取的样本拼音文本和步骤S603获取的样本文本的目标拼音文本,可进一步计算损失值,得到第二损失值。
S605,根据目标拼音文本、样本已纠错文本和目标文本生成第三损失值。
具体的,根据步骤S603获取的样本文本的目标拼音文本、步骤S602获取的样本已纠错文本和步骤S601获取的样本文本的目标文本,生成第三损失值。
S606,根据第二损失值和第三损失值生成第一损失值。
具体的,根据步骤S604生成的第二损失值和步骤S605生成的第三损失值,可进一步计算损失值,得到第一损失值。
S607,根据第一损失值对待训练的文本纠错模型进行训练,以得到文本纠错模型。
具体的,本实施例中的步骤S607与上述实施例中的步骤S504相同,此处不再赘述。
为清楚描述上述损失值的计算过程,下面对文本纠错模型的结构进行描述。文本纠错模型中的错误检测子模型和错误纠正子模型均包括一个编码器和一个解码器,两个子模型共用一个编码器。
其中,错误检测子模型,对输入的样本文本X的向量表示(ew)进行编码E(对应编码器)和一个二类分类映射fdet(对应解码器)得到二类分类结果c′,c′∈{0,1}。
pi=p(c′i=1/X)=softmax(fdet(E(ew)))
其中,E采用Transformer结构,fdet是一个全连接层。
该错误检测子模型对应的损失值即第二损失值,可以表示为样本文本X到c′的交叉熵:
其中,错误纠正子模型,对输入的样本拼音文本Xcor=(x′1x′2,...,x′t)的向量表示(ecor)进行编码E(对应编码器)和一个|V|类分类映射fcor(对应解码器)得到纠错结果y′i,其中t>n(n是样本文本X的长度),t-n是加入的拼音特征的个数。
纠错任务的目标是将错误纠正子模型Xcor纠正成目标文本Y,但因为Xcor的长度t和Y的长度m并不相同,不能直接在tagging任务中一一对应,因此需要将Y改写为使具有和Xcor相同的长度,然后以Xcor到的交叉熵作为第三损失值进行优化。Y改写成的过程如图7所示,首先标注样本文本X中的错字及其在Y中对应的正确字的拼音(图7竖直虚线左侧所示),然后根据最长公共子串算法对齐这些拼音特征(图7竖直虚线左侧的虚线箭头所示)。Xcor是通过将X中错字的拼音特征连接在错字后面得到的。是根据图7竖直虚线左侧的拼音对齐关系得到的,如图7竖直虚线右侧所示。
文本纠错模型中的错误检测子模型和错误纠正子模型并不是单独训练的,而是作为一个整体联合训练的,文本纠错模型联合训练时的损失值即第一损失值,通过以下公式计算得到:
综上,本公开实施例的文本纠错模型的生成方法,将样本文本和对应的样本拼音序列输入至待训练的文本纠错模型,待训练的文本纠错模型检测样本文本中的样本错字得到样本检错标注序列,根据样本检错标注序列确定样本文本中的错字,确定样本拼音序列中样本错字对应的样本拼音,将样本拼音对应的样本拼音特征添加至样本错字的后面得到样本拼音文本,对样本拼音文本中的样本错字和样本拼音特征进行纠错得到样本候选纠错文本,对样本候选纠错文本进行去重处理得到纠错后的样本已纠错文本,根据样本已纠错文本和目标文本生成第一损失值,获取样本文本的目标拼音文本,根据样本拼音文本和目标拼音文本生成第二损失值,根据第一损失值和第二损失值生成第三损失值,根据第三损失值对待训练的文本纠错模型进行训练,从而得到文本纠错模型。本公开的文本纠错模型的生成方法,通过将样本文本和样本拼音序列输入至待训练的文本纠错模型得到纠错后的样本已纠错文本,并和目标文本生成第一损失值对待训练模型进行训练得到文本纠错模型,纠错速度快,由于考虑了发音信息,使得纠错结果的准确度较高,且可以处理变长纠错的问题,进一步提高了纠错结果的准确度,还使得对文本纠错模型的训练更加准确高效。同时,通过,通过对样本文本进行错字检测来确定拼音序列中错字对应的拼音并进行纠错和去重处理得到纠错后的样本已纠错文本,避免了纠错结果中的重复,进一步提高了纠错速度和纠错结果的准确度,使得文本纠错模型的训练更加准确和高效。
图8是根据本公开第一实施例的文本纠错装置的框图。
如图8所示,本公开实施例的文本纠错装置800,包括:第一获取模块801、第二获取模块802和第一纠错模块803。
第一获取模块801,用于获取待纠错文本;
第二获取模块802,用于获取待纠错文本的拼音序列;
第一纠错模块803,用于将待纠错文本和拼音序列输入至文本纠错模型,以得到纠错后的已纠错文本,其中,文本纠错模型通过以下步骤得到已纠错文本:检测待纠错文本中的错字,确定拼音序列中错字对应的拼音,将拼音对应的拼音特征添加至错字的后面,以得到拼音文本,纠正拼音文本中的错字和拼音特征,以得到已纠错文本。
需要说明的是,上述对文本纠错方法实施例的解释说明,也适用于本公开实施例的文本纠错装置,具体过程此处不再赘述。
综上,本公开实施例的文本纠错装置,将待纠错文本和对应的拼音序列输入至文本纠错模型,文本纠错模型检测待纠错文本中的错字,确定拼音序列中错字对应的拼音,将拼音对应的拼音特征添加至错字的后面,以得到拼音文本,纠正拼音文本中的错字和拼音特征,以得到纠错后的已纠错文本。本公开的文本纠错装置,通过将检测到的错字的拼音特征连接到错字后面进行纠错,纠错速度快,由于考虑了发音信息,使得纠错结果的准确度较高,且可以处理变长纠错的问题,进一步提高了纠错结果的准确度。
图9是根据本公开第二实施例的文本纠错装置的框图。
如图9所示,本公开实施例的文本纠错装置900,包括:第一获取模块901、第二获取模块902和第一纠错模块903。
其中,第一获取模块901与上一实施例中的第一获取模块801具有相同的结构和功能,第二获取模块902与上一实施例中的第二获取模块802具有相同的结构和功能,第一纠错模块903与上一实施例中的第一纠错模块803具有相同的结构和功能。
其中,文本纠错模型通过以下步骤检测待纠错文本中的错字:对待纠错文本进行错字检测,以得到检错标注序列;根据检错标注序列确定待纠错文本中的错字。
其中,文本纠错模型通过以下步骤纠正拼音文本中的错字和拼音特征,以得到已纠错文本:对拼音文本中的错字和拼音特征进行纠错,以得到候选纠错文本;对候选纠错文本进行去重处理,以得到已纠错文本。
需要说明的是,上述对文本纠错方法实施例的解释说明,也适用于本公开实施例的文本纠错装置,具体过程此处不再赘述。
综上,本公开实施例的文本纠错装置,将待纠错文本和对应的拼音序列输入至文本纠错模型,文本纠错模型对待纠错文本进行错字检测得到检错标注序列,根据检错标注序列确定待纠错文本中的错字,并确定拼音序列中错字对应的拼音,将拼音对应的拼音特征添加至错字的后面得到拼音文本,对拼音文本中的错字和拼音特征进行纠错得到候选纠错文本,对候选纠错文本进行去重处理得到纠错后的已纠错文本。本公开的文本纠错装置,通过将检测到的错字的拼音特征连接到错字后面进行纠错,纠错速度快,由于考虑了发音信息,使得纠错结果的准确度较高,且可以处理变长纠错的问题,进一步提高了纠错结果的准确度。同时,通过对待纠错文本进行错字检测来确定拼音序列中错字对应的拼音并进行纠错和去重处理得到纠错后的已纠错文本,避免了纠错结果中的重复,进一步提高了纠错速度和纠错结果的准确度。
图10为本公开第一实施例的文本纠错模型的生成装置的结构示意图。如图10所示,本公开实施例的文本纠错模型的生成装置具体可包括:第三获取模块1001、第二纠错模块1002、第一生成模块1003和训练模块1004。
第三获取模块1001,用于获取样本文本、样本文本的样本拼音序列和样本文本的目标文本。
第二纠错模块1002,用于将样本文本和样本拼音序列输入至待训练的文本纠错模型,以得到样本已纠错文本,其中,待训练的文本纠错模型通过以下步骤得到样本已纠错文本:检测样本文本中的样本错字,确定样本拼音序列中样本错字对应的样本拼音,将样本拼音对应的样本拼音特征添加至样本错字的后面,以得到样本拼音文本,纠正样本拼音文本中的样本错字和样本拼音特征,以得到样本已纠错文本。
第一生成模块1003,用于根据样本文本、样本已纠错文本和目标文本生成第一损失值。
训练模块1004,用于根据第一损失值对待训练的文本纠错模型进行训练,以得到文本纠错模型。
需要说明的是,上述对文本纠错模型的生成方法实施例的解释说明,也适用于本公开实施例的文本纠错模型的生成装置,具体过程此处不再赘述。
综上,本公开实施例的文本纠错模型的生成装置,将样本文本和对应的样本拼音序列输入至待训练的文本纠错模型,待训练的文本纠错模型检测样本文本中的样本错字,确定样本拼音序列中样本错字对应的样本拼音,将样本拼音对应的样本拼音特征添加至样本错字的后面,以得到样本拼音文本,纠正样本拼音文本中的样本错字和样本拼音特征,以得到纠错后的样本已纠错文本,根据样本文本、样本已纠错文本和目标文本生成第一损失值,根据第一损失值对待训练的文本纠错模型进行训练,以得到文本纠错模型。本公开的文本纠错模型的生成装置,通过将样本文本和样本拼音序列输入至待训练的文本纠错模型得到纠错后的样本已纠错文本,并和目标文本生成第一损失值对待训练模型进行训练得到文本纠错模型,纠错速度快,由于考虑了发音信息,使得纠错结果的准确度较高,且可以处理变长纠错的问题,进一步提高了纠错结果的准确度,还使得对文本纠错模型的训练更加准确和高效。
图11为本公开第二实施例的文本纠错模型的生成装置的结构示意图。如图11所示,本公开实施例的文本纠错模型的生成装置具体可包括:第三获取模块1101、第二纠错模块1102、第一生成模块1103和训练模块1104。
其中,第三获取模块1101与上一实施例中的第三获取模块1001具有相同的结构和功能,第二纠错模块1102与上一实施例中的第二纠错模块1002具有相同的结构和功能,第一生成模块1103与上一实施例中的第一生成模块1003具有相同的结构和功能,训练模块1104与上一实施例中的训练模块1004具有相同的结构和功能。
其中,待训练的文本纠错模型通过以下步骤检测样本文本中的样本错字:对样本文本进行错字检测,以得到样本检错标注序列;以及根据样本检错标注序列确定样本文本中的错字。
其中,待训练的文本纠错模型通过以下步骤纠正样本拼音文本中的样本错字和样本拼音特征,以得到样本已纠错文本:对样本拼音文本中的样本错字和样本拼音特征进行纠错,以得到样本候选纠错文本;以及对样本候选纠错文本进行去重处理,以得到样本已纠错文本。
进一步的,文本纠错模型的生成装置1100具体还可包括:第四获取模块1105,用于获取样本文本的目标拼音文本;其中,第一生成模块1103具体可包括:第一生成单元,用于根据样本拼音文本和目标拼音文本生成第二损失值;第二生成单元,用于根据目标拼音文本、样本已纠错文本和目标文本生成第三损失值;以及第三生成单元,用于根据第二损失值和第三损失值生成第一损失值。。
需要说明的是,上述对文本纠错模型的生成方法实施例的解释说明,也适用于本公开实施例的文本纠错模型的生成装置,具体过程此处不再赘述。
综上,本公开实施例的文本纠错模型的生成装置,将样本文本和对应的样本拼音序列输入至待训练的文本纠错模型,待训练的文本纠错模型检测样本文本中的样本错字得到样本检错标注序列,根据样本检错标注序列确定样本文本中的错字,确定样本拼音序列中样本错字对应的样本拼音,将样本拼音对应的样本拼音特征添加至样本错字的后面得到样本拼音文本,对样本拼音文本中的样本错字和样本拼音特征进行纠错得到样本候选纠错文本,对样本候选纠错文本进行去重处理得到纠错后的样本已纠错文本,根据样本已纠错文本和目标文本生成第一损失值,获取样本文本的目标拼音文本,根据样本拼音文本和目标拼音文本生成第二损失值,根据第一损失值和第二损失值生成第三损失值,根据第三损失值对待训练的文本纠错模型进行训练,从而得到文本纠错模型。本公开的文本纠错模型的生成装置,通过将样本文本和样本拼音序列输入至待训练的文本纠错模型得到纠错后的样本已纠错文本,并和目标文本生成第一损失值对待训练模型进行训练得到文本纠错模型,纠错速度快,由于考虑了发音信息,使得纠错结果的准确度较高,且可以处理变长纠错的问题,进一步提高了纠错结果的准确度,还使得对文本纠错模型的训练更加准确高效。同时,通过,通过对样本文本进行错字检测来确定拼音序列中错字对应的拼音并进行纠错和去重处理得到纠错后的样本已纠错文本,避免了纠错结果中的重复,进一步提高了纠错速度和纠错结果的准确度,使得文本纠错模型的训练更加准确和高效。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图12示出了可以用来实施本公开的实施例的示例电子设备1200的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图12所示,电子设备1200包括计算单元1201,其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序,来执行各种适当的动作和处理。在RAM 1203中,还可存储电子设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
电子设备1200中的多个部件连接至I/O接口1205,包括:输入单元1206,例如键盘、鼠标等;输出单元1207,例如各种类型的显示器、扬声器等;存储单元1208,例如磁盘、光盘等;以及通信单元1209,例如网卡、调制解调器、无线通信收发机等。通信单元1209允许电子设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理,例如图1至图4所示的文本纠错方法或图5至图7所示的文本纠错模型的生成方法。例如,在一些实施例中,文本纠错方法或文本纠错模型的生成方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1208。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到电子设备1200上。当计算机程序加载到RAM1203并由计算单元1201执行时,可以执行上文描述的文本纠错方法或文本纠错模型的生成方法的一个或多个步骤。备选地,在其他实施例中,计算单元1201可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行文本纠错方法或文本纠错模型的生成方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程文本纠错装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网以及区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式***的服务器,或者是结合了区块链的服务器。
根据本公开的实施例,本公开还提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现根据本公开上述实施例所示的文本纠错方法的步骤或文本纠错模型的生成方法的步骤。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种文本纠错方法,包括:
获取待纠错文本;
获取所述待纠错文本的拼音序列;以及
将所述待纠错文本和所述拼音序列输入至文本纠错模型,以得到纠错后的已纠错文本,其中,所述文本纠错模型通过以下步骤得到所述已纠错文本:检测所述待纠错文本中的错字,确定所述拼音序列中所述错字对应的拼音,将所述拼音对应的拼音特征添加至所述错字的后面,以得到拼音文本,纠正所述拼音文本中的所述错字和所述拼音特征,以得到所述已纠错文本。
2.根据权利要求1所述的文本纠错方法,其中,所述文本纠错模型通过以下步骤检测所述待纠错文本中的所述错字:
对所述待纠错文本进行错字检测,以得到检错标注序列;以及
根据所述检错标注序列确定所述待纠错文本中的所述错字。
3.根据权利要求1所述的文本纠错方法,其中,所述文本纠错模型通过以下步骤纠正所述拼音文本中的所述错字和所述拼音特征,以得到所述已纠错文本:
对所述拼音文本中的所述错字和所述拼音特征进行纠错,以得到候选纠错文本;以及
对所述候选纠错文本进行去重处理,以得到所述已纠错文本。
4.一种文本纠错模型的生成方法,包括:
获取样本文本、所述样本文本的样本拼音序列和所述样本文本的目标文本;
将所述样本文本和所述样本拼音序列输入至待训练的文本纠错模型,以得到样本已纠错文本,其中,所述待训练的文本纠错模型通过以下步骤得到所述样本已纠错文本:检测所述样本文本中的样本错字,确定所述样本拼音序列中所述样本错字对应的样本拼音,将所述样本拼音对应的样本拼音特征添加至所述样本错字的后面,以得到样本拼音文本,纠正所述样本拼音文本中的所述样本错字和所述样本拼音特征,以得到所述样本已纠错文本;
根据所述样本文本、所述样本已纠错文本和所述目标文本生成第一损失值;以及
根据所述第一损失值对所述待训练的文本纠错模型进行训练,以得到文本纠错模型。
5.根据权利要求4所述的生成方法,其中,所述待训练的文本纠错模型通过以下步骤检测所述样本文本中的所述样本错字:
对所述样本文本进行错字检测,以得到样本检错标注序列;以及
根据所述样本检错标注序列确定所述样本文本中的所述错字。
6.根据权利要求4所述的生成方法,其中,所述待训练的文本纠错模型通过以下步骤纠正所述样本拼音文本中的所述样本错字和所述样本拼音特征,以得到所述样本已纠错文本:
对所述样本拼音文本中的所述样本错字和所述样本拼音特征进行纠错,以得到样本候选纠错文本;以及
对所述样本候选纠错文本进行去重处理,以得到所述样本已纠错文本。
7.根据权利要求4所述的生成方法,还包括:
获取所述样本文本的目标拼音文本;
其中,所述根据所述样本文本、所述样本已纠错文本和所述目标文本生成第一损失值,包括:
根据所述样本文本、所述样本拼音文本和所述目标拼音文本生成第二损失值;
根据所述目标拼音文本、所述样本已纠错文本和所述目标文本生成第三损失值;以及
根据所述第二损失值和所述第三损失值生成所述第一损失值。
8.一种文本纠错装置,包括:
第一获取模块,用于获取待纠错文本;
第二获取模块,用于获取所述待纠错文本的拼音序列;以及
第一纠错模块,用于将所述待纠错文本和所述拼音序列输入至文本纠错模型,以得到纠错后的已纠错文本,其中,所述文本纠错模型通过以下步骤得到所述已纠错文本:检测所述待纠错文本中的错字,确定所述拼音序列中所述错字对应的拼音,将所述拼音对应的拼音特征添加至所述错字的后面,以得到拼音文本,纠正所述拼音文本中的所述错字和所述拼音特征,以得到所述已纠错文本。
9.根据权利要求8所述的文本纠错装置,其中,所述文本纠错模型通过以下步骤检测所述待纠错文本中的所述错字:
对所述待纠错文本进行错字检测,以得到检错标注序列;以及
根据所述检错标注序列确定所述待纠错文本中的所述错字。
10.根据权利要求8所述的文本纠错装置,其中,所述文本纠错模型通过以下步骤纠正所述拼音文本中的所述错字和所述拼音特征,以得到所述已纠错文本:
对所述拼音文本中的所述错字和所述拼音特征进行纠错,以得到候选纠错文本;以及
对所述候选纠错文本进行去重处理,以得到所述已纠错文本。
11.一种文本纠错模型的生成装置,包括:
第三获取模块,用于获取样本文本、所述样本文本的样本拼音序列和所述样本文本的目标文本;
第二纠错模块,用于将所述样本文本和所述样本拼音序列输入至待训练的文本纠错模型,以得到样本已纠错文本,其中,所述待训练的文本纠错模型通过以下步骤得到所述样本已纠错文本:检测所述样本文本中的样本错字,确定所述样本拼音序列中所述样本错字对应的样本拼音,将所述样本拼音对应的样本拼音特征添加至所述样本错字的后面,以得到样本拼音文本,纠正所述样本拼音文本中的所述样本错字和所述样本拼音特征,以得到所述样本已纠错文本;
第一生成模块,用于根据所述样本文本、所述样本已纠错文本和所述目标文本生成第一损失值;以及
训练模块,用于根据所述第一损失值对所述待训练的文本纠错模型进行训练,以得到文本纠错模型。
12.根据权利要求11所述的生成装置,其中,所述待训练的文本纠错模型通过以下步骤检测所述样本文本中的所述样本错字:
对所述样本文本进行错字检测,以得到样本检错标注序列;以及
根据所述样本检错标注序列确定所述样本文本中的所述错字。
13.根据权利要求11所述的生成装置,其中,所述待训练的文本纠错模型通过以下步骤纠正所述样本拼音文本中的所述样本错字和所述样本拼音特征,以得到所述样本已纠错文本:
对所述样本拼音文本中的所述样本错字和所述样本拼音特征进行纠错,以得到样本候选纠错文本;以及
对所述样本候选纠错文本进行去重处理,以得到所述样本已纠错文本。
14.根据权利要求11所述的生成装置,还包括:
第四获取模块,用于获取所述样本文本的目标拼音文本;
其中,第一生成模块包括:
第一生成单元,用于根据所述样本拼音文本和所述目标拼音文本生成第二损失值;
第二生成单元,用于根据所述目标拼音文本、所述样本已纠错文本和所述目标文本生成第三损失值;以及
第三生成单元,用于根据所述第二损失值和第三损失值生成所述第一损失值。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-3中任一项所述的方法,或者执行权利要求4-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-3中任一项所述的方法,或者执行根据权利要求4-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-3中任一项所述方法的步骤,或者实现根据权利要求4-7中任一项所述方法的步骤。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111350558.9A CN114239559B (zh) | 2021-11-15 | 2021-11-15 | 文本纠错和文本纠错模型的生成方法、装置、设备和介质 |
JP2022169806A JP7520085B2 (ja) | 2021-11-15 | 2022-10-24 | テキスト誤り訂正とテキスト誤り訂正モデルの生成方法、装置、機器及び媒体 |
US18/053,034 US20230090625A1 (en) | 2021-11-15 | 2022-11-07 | Method for correcting text, method for generating text correction model, device |
EP22206102.0A EP4109443A3 (en) | 2021-11-15 | 2022-11-08 | Method for correcting text, method for generating text correction model, device and medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111350558.9A CN114239559B (zh) | 2021-11-15 | 2021-11-15 | 文本纠错和文本纠错模型的生成方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114239559A true CN114239559A (zh) | 2022-03-25 |
CN114239559B CN114239559B (zh) | 2023-07-11 |
Family
ID=80749456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111350558.9A Active CN114239559B (zh) | 2021-11-15 | 2021-11-15 | 文本纠错和文本纠错模型的生成方法、装置、设备和介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230090625A1 (zh) |
EP (1) | EP4109443A3 (zh) |
JP (1) | JP7520085B2 (zh) |
CN (1) | CN114239559B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227468A (zh) * | 2023-01-06 | 2023-06-06 | 杭州健海科技有限公司 | 基于拼音转写翻译的语音识别模型纠错训练方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104317780A (zh) * | 2014-09-28 | 2015-01-28 | 无锡卓信信息科技有限公司 | 一种中文输入文本的快速纠错方法 |
CN110032722A (zh) * | 2018-01-12 | 2019-07-19 | 北京京东尚科信息技术有限公司 | 文本纠错方法和装置 |
CN111444705A (zh) * | 2020-03-10 | 2020-07-24 | 中国平安人寿保险股份有限公司 | 纠错方法、装置、设备及可读存储介质 |
CN112001169A (zh) * | 2020-07-17 | 2020-11-27 | 北京百度网讯科技有限公司 | 文本纠错的方法、装置、电子设备和可读存储介质 |
CN112232062A (zh) * | 2020-12-11 | 2021-01-15 | 北京百度网讯科技有限公司 | 文本纠错方法、装置、电子设备和存储介质 |
CN112287670A (zh) * | 2020-11-18 | 2021-01-29 | 北京明略软件***有限公司 | 文本纠错方法、***、计算机设备及可读存储介质 |
CN113051894A (zh) * | 2021-03-16 | 2021-06-29 | 京东数字科技控股股份有限公司 | 一种文本纠错的方法和装置 |
CN113553833A (zh) * | 2021-06-30 | 2021-10-26 | 北京百度网讯科技有限公司 | 文本纠错的方法、装置及电子设备 |
CN113642316A (zh) * | 2021-07-28 | 2021-11-12 | 平安国际智慧城市科技股份有限公司 | 中文文本纠错方法、装置、电子设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2533370A (en) | 2014-12-18 | 2016-06-22 | Ibm | Orthographic error correction using phonetic transcription |
CN106297797B (zh) * | 2016-07-26 | 2019-05-31 | 百度在线网络技术(北京)有限公司 | 语音识别结果纠错方法和装置 |
CN110765772A (zh) * | 2019-10-12 | 2020-02-07 | 北京工商大学 | 拼音作为特征的中文语音识别后的文本神经网络纠错模型 |
CN111192586B (zh) * | 2020-01-08 | 2023-07-04 | 北京小米松果电子有限公司 | 语音识别方法及装置、电子设备、存储介质 |
-
2021
- 2021-11-15 CN CN202111350558.9A patent/CN114239559B/zh active Active
-
2022
- 2022-10-24 JP JP2022169806A patent/JP7520085B2/ja active Active
- 2022-11-07 US US18/053,034 patent/US20230090625A1/en active Pending
- 2022-11-08 EP EP22206102.0A patent/EP4109443A3/en not_active Withdrawn
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104317780A (zh) * | 2014-09-28 | 2015-01-28 | 无锡卓信信息科技有限公司 | 一种中文输入文本的快速纠错方法 |
CN110032722A (zh) * | 2018-01-12 | 2019-07-19 | 北京京东尚科信息技术有限公司 | 文本纠错方法和装置 |
CN111444705A (zh) * | 2020-03-10 | 2020-07-24 | 中国平安人寿保险股份有限公司 | 纠错方法、装置、设备及可读存储介质 |
CN112001169A (zh) * | 2020-07-17 | 2020-11-27 | 北京百度网讯科技有限公司 | 文本纠错的方法、装置、电子设备和可读存储介质 |
CN112287670A (zh) * | 2020-11-18 | 2021-01-29 | 北京明略软件***有限公司 | 文本纠错方法、***、计算机设备及可读存储介质 |
CN112232062A (zh) * | 2020-12-11 | 2021-01-15 | 北京百度网讯科技有限公司 | 文本纠错方法、装置、电子设备和存储介质 |
CN113051894A (zh) * | 2021-03-16 | 2021-06-29 | 京东数字科技控股股份有限公司 | 一种文本纠错的方法和装置 |
CN113553833A (zh) * | 2021-06-30 | 2021-10-26 | 北京百度网讯科技有限公司 | 文本纠错的方法、装置及电子设备 |
CN113642316A (zh) * | 2021-07-28 | 2021-11-12 | 平安国际智慧城市科技股份有限公司 | 中文文本纠错方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
RUIQING ZHANG 等: "Correcting Chinese Spelling Errors with Phonetic Pre-training", FINDINGS OF THE ASSOCIATION FOR COMPUTATIONAL LINGUISTICS, pages 2250 * |
ZHENG FANG 等: "Non-Autoregressive Chinese ASR Error Correction with Phonological Training", PROCEEDINGS OF THE 2022 CONFERENCE OF THE NORTH AMERICAN CHAPTER OF THE ASSOCIATION FOR COMPUTATIONAL LINGUISTICS, pages 5907 - 5917 * |
刘亮亮;曹存根;: "基于局部上下文特征的组合的中文真词错误自动校对研究", 计算机科学, vol. 43, no. 12, pages 30 - 35 * |
张佳宁: "语音识别后文本检错纠错的研究与应用", 中国优秀硕士学位论文全文数据库信息科技辑, pages 136 - 66 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227468A (zh) * | 2023-01-06 | 2023-06-06 | 杭州健海科技有限公司 | 基于拼音转写翻译的语音识别模型纠错训练方法及装置 |
CN116227468B (zh) * | 2023-01-06 | 2023-10-31 | 杭州健海科技有限公司 | 基于拼音转写翻译的语音识别模型纠错训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
JP7520085B2 (ja) | 2024-07-22 |
US20230090625A1 (en) | 2023-03-23 |
EP4109443A2 (en) | 2022-12-28 |
EP4109443A3 (en) | 2023-04-12 |
CN114239559B (zh) | 2023-07-11 |
JP2023002730A (ja) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112926306B (zh) | 文本纠错方法、装置、设备以及存储介质 | |
WO2022095563A1 (zh) | 文本纠错的适配方法、装置、电子设备及存储介质 | |
CN112507706B (zh) | 知识预训练模型的训练方法、装置和电子设备 | |
CN111241838B (zh) | 文本实体的语义关系处理方法、装置及设备 | |
CN113656613A (zh) | 训练图文检索模型的方法、多模态图像检索方法及装置 | |
CN115309877A (zh) | 对话生成方法、对话模型训练方法及装置 | |
CN116152833B (zh) | 基于图像的表格还原模型的训练方法及表格还原方法 | |
EP4170542A2 (en) | Method for sample augmentation | |
CN114841274B (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN112287698A (zh) | 篇章翻译方法、装置、电子设备和存储介质 | |
CN113220835A (zh) | 文本信息处理方法、装置、电子设备以及存储介质 | |
CN116245097A (zh) | 训练实体识别模型的方法、实体识别方法及对应装置 | |
CN115062718A (zh) | 语言模型训练方法、装置、电子设备及存储介质 | |
CN113763937A (zh) | 语音处理模型的生成方法、装置、设备以及存储介质 | |
CN114417879B (zh) | 跨语言文本语义模型的生成方法、装置及电子设备 | |
CN111966782A (zh) | 多轮对话的检索方法、装置、存储介质及电子设备 | |
CN112599129B (zh) | 语音识别方法、装置、设备和存储介质 | |
CN114239559B (zh) | 文本纠错和文本纠错模型的生成方法、装置、设备和介质 | |
CN115269768A (zh) | 要素文本处理方法、装置、电子设备和存储介质 | |
CN115357710A (zh) | 表格描述文本生成模型的训练方法、装置及电子设备 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN114781386A (zh) | 文本纠错训练语料的获取方法、装置及电子设备 | |
CN114490969A (zh) | 基于表格的问答方法、装置以及电子设备 | |
CN114048733A (zh) | 文本纠错模型的训练方法、文本纠错方法及装置 | |
CN114416941A (zh) | 融合知识图谱的对话知识点确定模型的生成方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |