CN115169330B - 中文文本纠错及验证方法、装置、设备及存储介质 - Google Patents
中文文本纠错及验证方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115169330B CN115169330B CN202210824618.4A CN202210824618A CN115169330B CN 115169330 B CN115169330 B CN 115169330B CN 202210824618 A CN202210824618 A CN 202210824618A CN 115169330 B CN115169330 B CN 115169330B
- Authority
- CN
- China
- Prior art keywords
- error correction
- text
- model
- error
- training
- 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.)
- Active
Links
- 238000012937 correction Methods 0.000 title claims abstract description 548
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012795 verification Methods 0.000 title claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 151
- 238000002372 labelling Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 90
- 230000006870 function Effects 0.000 claims description 30
- 238000013145 classification model Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000000873 masking effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 description 18
- 239000011159 matrix material Substances 0.000 description 16
- 238000004891 communication Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000392 somatic effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Character Discrimination (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种中文文本纠错及验证方法,包括:对原始纠错训练文本集合中的文本标注模板文本,得到标准纠错训练文本集合,利用标准纠错训练文本集合对包括文本错误识别模型及文本纠错模型的双阶段纠错模型进行联合训练,得到标准纠错模型,利用标准纠错模型对待纠错文本进行纠错,得到已纠错文本并构建纠错对,对纠错对进行纠错类型识别,基于纠错类型,利用编辑距离成本法对所述纠错对进行纠错验证,得到纠错验证结果。此外,本发明还涉及区块链技术,所述纠错验证结果可存储在区块链的节点中。本发明还提出一种中文文本纠错及验证装置、电子设备以及可读存储介质。本发明可以解决中文纠错效率较低的问题。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种中文文本纠错及验证方法、装置、电子设备及可读存储介质。
背景技术
中文纠错是人工智能中的重要应用,业内常用的中文纠错方法大多是遍历每一个句子进行中文纠错,主要有如下两种方法:1、基于编辑距离算法,计算编辑成本,比如增加、删除、替换等编辑值,与正确的句子库进行遍历比对,从而完成纠错过程。但是这种方法较为机械,需要预先设定好庞大正确的句子库,且都是使用句子级别,输入整个句子进行编辑距离计算,由于编辑距离算法对句子中正确的部分也计算了编辑距离成本,计算成本很高,导致纠错过程耗时很长,其次对未登录的句子或者词不能纠错,纠错效率较低。2、利用语言模型进行中文纠错,例如利用编码器和解码器结构的模型进行纠错,但是在解码的过程中必须按照顺序一个一个的解码获得纠错后的句子,效率比较低;或者使用单一BERT的语言模型来做文本纠错,但是仍需要遍历句子中所有单个的词或者多个连续组合的词来mask,让模型对mask的位置进行猜测从而达到纠错效果,效率非常低。
发明内容
本发明提供一种中文文本纠错及验证方法、装置、电子设备及可读存储介质,其主要目的在于解决中文纠错效率较低的问题。
为实现上述目的,本发明提供的一种中文文本纠错及验证方法,包括:
获取原始纠错训练文本集合,根据所述原始纠错训练文本集合中文本的正确性标注模板文本,得到标准纠错训练文本集合;
构建包括文本错误识别模型及文本纠错模型的双阶段纠错模型;
利用所述标准纠错训练文本集合对所述文本错误识别模型及文本纠错模型进行联合训练,得到标准纠错模型;
获取待纠错文本,利用所述标准纠错模型对所述待纠错文本进行纠错,得到已纠错文本;
基于所述已纠错文本构建纠错对,利用预设的分类模型对所述纠错对进行纠错类型识别,得到纠错类型;
基于所述纠错类型,利用编辑距离成本法对所述纠错对进行纠错验证,得到纠错验证结果。
可选地,所述构建包括文本错误识别模型及文本纠错模型的双阶段纠错模型,包括:
获取第一BERT模型,在所述第一BERT模型后拼接全连接层及输出层,得到所述文本错误识别模型;
获取第二BERT模型并作为所述文本纠错模型,对所述文本错误识别模型机所述文本纠错模型进行串联得到所述双阶段纠错模型。
可选地,所述利用所述标准纠错训练文本集合对所述文本错误识别模型及文本纠错模型进行联合训练,得到标准纠错模型,包括:
利用所述标准纠错训练文本集合对所述文本错误识别模型进行迭代训练;
利用训练完成的文本错误识别模型输出所述标准纠错训练文本集合中句子对应的标准字向量;
对所述标准字向量进行复制组合处理,并基于复制后的组合字向量及预设的损失函数对所述文本纠错模型进行注意力训练;
汇总训练完成的文本错误识别模型及文本纠错模型得到所述双阶段纠错模型。
可选地,所述利用所述标准纠错训练文本集合对所述文本错误识别模型进行迭代训练,包括:
利用所述第一BERT模型将所述标准纠错训练文本集合中的句子转化为字向量,对所述字向量中的预设位置进行遮掩处理,得到遮掩字向量;
利用所述全连接层提取所述遮掩字向量的标准字向量,利用所述输出层输出所述标准字向量的预测值;
基于所述预测值计算损失值,若所述损失值大于等于预设的损失阈值时,更新所述第一BERT模型中的参数,并返回所述利用所述第一BERT模型将所述标准纠错训练文本集合中的句子转化为字向量的步骤,直至所述损失值小于预设的损失阈值时,停止训练,得到训练完成的文本错误识别模型。
可选地,所述利用所述标准纠错模型对所述待纠错文本进行纠错,得到已纠错文本,包括:
利用所述标准纠错模型中的文本错误识别模型识别出所述待纠错文本的错误概率;
若所述错误概率小于预设的错误阈值,则对所述待纠错文本不作处理;
若所述错误概率大于等于所述错误阈值,则利用所述标准纠错模型中的文本纠错模型对所述待纠错文本进行文本纠错,得到已纠错文本。
可选地,所述基于所述已纠错文本构建纠错对,利用预设的分类模型对所述纠错对进行纠错类型识别,得到纠错类型,包括:
对所述已纠错文本及所述已纠错文本对应的待纠错文本进行分词处理;
提取分词后涉及纠错的词组成纠错对,利用所述分类模型输出所述纠错对的纠错类型。
可选地,所述基于所述纠错类型,利用编辑距离成本法对所述纠错对进行纠错验证,得到纠错验证结果,包括:
若所述纠错类型为第一纠错类型,利用调整字符的编辑距离成本法计算所述纠错对的编辑成本;
若所述纠错类型为第二纠错类型,利用键盘级别的编辑距离成本法计算所述纠错对的编辑成本;
确定编辑成本小于等于预设成本阈值的纠错对的纠错验证结果为纠错成功,确定编辑成本大于预设成本阈值的纠错对的纠错验证结果为纠错失败。
为了解决上述问题,本发明还提供一种中文文本纠错及验证装置,所述装置包括:
纠错模型训练模块,用于获取原始纠错训练文本集合,根据所述原始纠错训练文本集合中文本的正确性标注模板文本,得到标准纠错训练文本集合,构建包括文本错误识别模型及文本纠错模型的双阶段纠错模型,利用所述标准纠错训练文本集合对所述文本错误识别模型及文本纠错模型进行联合训练,得到标准纠错模型;
文本纠错模块,用于获取待纠错文本,利用所述标准纠错模型对所述待纠错文本进行纠错,得到已纠错文本;
纠错类型识别模块,用于基于所述已纠错文本构建纠错对,利用预设的分类模型对所述纠错对进行纠错类型识别,得到纠错类型;
纠错验证模块,用于基于所述纠错类型,利用编辑距离成本法对所述纠错对进行纠错验证,得到纠错验证结果。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的中文文本纠错及验证方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的中文文本纠错及验证方法。
本发明根据原始纠错训练文本集合中文本的正确性标注模板文本,可以得到信息更加丰富的标准纠错训练文本集合,并利用标准纠错训练文本集合对包括文本错误识别模型及文本纠错模型的双阶段纠错模型进行联合训练,利用训练得到的标准纠错模型对待纠错文本进行识别及纠错,提高了文本纠错的准确率及效率。同时,基于已纠错文本构建纠错对,利用编辑距离成本法对纠错对进行纠错验证,由于编辑距离成本的计算是词级别的,大幅提升了计算效率,也提高了纠错验证的效率。因此本发明提出的中文文本纠错及验证方法、装置、电子设备及计算机可读存储介质,可以解决中文纠错效率较低的问题。
附图说明
图1为本发明一实施例提供的中文文本纠错及验证方法的流程示意图;
图2为图1中其中一个步骤的详细实施流程示意图;
图3为图1中另一个步骤的详细实施流程示意图;
图4为图1中另一个步骤的详细实施流程示意图;
图5为图1中另一个步骤的详细实施流程示意图;
图6为本发明一实施例提供的中文文本纠错及验证装置的功能模块图;
图7为本发明一实施例提供的实现所述中文文本纠错及验证方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种中文文本纠错及验证方法。所述中文文本纠错及验证方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之,所述中文文本纠错及验证方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的中文文本纠错及验证方法的流程示意图。在本实施例中,所述中文文本纠错及验证方法包括以下步骤S1-S4:
S1、获取原始纠错训练文本集合,根据所述原始纠错训练文本集合中文本的正确性标注模板文本,得到标准纠错训练文本集合。
本发明实施例中,所述原始纠错训练文本集合为人工标注的文本数据,格式是一个错误句子对应一个正确的句子,例如,“我的生体很好-我的身体很好”。所述标注模板文本是根据句子的正确与否构建的标注文本,模板文本为“这句话是<>”,用来区分句子的正确与否。
详细地,所述根据所述原始纠错训练文本集合中文本的正确性标注模板文本,得到标准纠错训练文本集合,包括:
将所述原始纠错训练文本集合中的正确句子进行正确标注,以及将所述原始纠错训练文本集合中的错误句子进行错误标注;
汇总所有标注完成的句子文本,得到所述标准纠错训练文本集合。
本发明一实施例中,利用模板文本对不同的句子进行标注,例如,对于错误句子进行错误标注为“这句话是错的”,对于正确句子进行正确标注为“这句话是对的”。
S2、构建包括文本错误识别模型及文本纠错模型的双阶段纠错模型。
本发明实施例中,所述文本错误识别模型及文本纠错模型都是基于BERT模型的掩码语言模型(masked language model,MLM),其中,所述文本错误识别模型用来识别句子中有无错别字,所述文本纠错模型用来完成对错误拼写部分的纠正。
详细地,参照图2所示,所述构建包括文本错误识别模型及文本纠错模型的双阶段纠错模型,包括以下步骤S20-S21:
S20、获取第一BERT模型,在所述第一BERT模型后拼接全连接层及输出层,得到所述文本错误识别模型;
S21、获取第二BERT模型并作为所述文本纠错模型,对所述文本错误识别模型机所述文本纠错模型进行串联得到所述双阶段纠错模型。
本发明实施例中,所述第一BERT模型是一个传统的BERT模型,输入的是文本,把文本中的字按字符顺序单独切分出来,通过第一BERT模型可以输出字向量以及[CLS]的特征向量;所述全连接层由两个MLP(单个MLP网络结构为上图显示,由两个线性层和一个ReLu激活函数组成)全连接网络组成,用来进一步提取特征;所述输出层包括sigmoid激活函数,用来计算出是否有拼写错误的概率。所述第二BERT模型的输入是文本的字向量,并输出为正确的句子。
S3、利用所述标准纠错训练文本集合对所述文本错误识别模型及文本纠错模型进行联合训练,得到标准纠错模型。
本发明实施例中,由于所述标准纠错训练文本集合的文本中包括基于文本正确性标注的模板文本,通过BERT模型的遮掩训练,可以提高纠错识别的准确率。
详细地,参照图3所示,所述利用所述标准纠错训练文本集合对所述文本错误识别模型及文本纠错模型进行联合训练,得到标准纠错模型,包括以下步骤S30-S33:
S30、利用所述标准纠错训练文本集合对所述文本错误识别模型进行迭代训练;
S31、利用训练完成的文本错误识别模型输出所述标准纠错训练文本集合中句子对应的标准字向量;
S32、对所述标准字向量进行复制组合处理,并基于复制后的组合字向量及预设的损失函数对所述文本纠错模型进行注意力训练;
S33、汇总训练完成的文本错误识别模型及文本纠错模型得到所述双阶段纠错模型。
本发明实施例中,所述预设的损失函数可以为交叉熵损失函数。利用训练完成的文本错误识别模型输出标准纠错训练文本集合中句子对应的标准字向量后,把这个标准字向量复制出来两份,作为第二BERT模型中的Q和K,然后g*w的结果作为V,其中g表示字向量的均值,w为参数矩阵,这个w的矩阵大小为LxD,D为512维,L为输入文本中字的个数。在所述第二BERT模型中使用这个<Q,K,V>进行自注意力计算,并基于交叉熵损失函数对第二BERT模型进行迭代训练,得到训练完成的文本纠错模型。
具体地,所述利用所述标准纠错训练文本集合对所述文本错误识别模型进行迭代训练,包括:
利用所述第一BERT模型将所述标准纠错训练文本集合中的句子转化为字向量,对所述字向量中的预设位置进行遮掩处理,得到遮掩字向量;
利用所述全连接层提取所述遮掩字向量的标准字向量,利用所述输出层输出所述标准字向量的预测值;
基于所述预测值计算损失值,若所述损失值大于等于预设的损失阈值时,更新所述第一BERT模型中的参数,并返回所述利用所述第一BERT模型将所述标准纠错训练文本集合中的句子转化为字向量的步骤,直至所述损失值小于预设的损失阈值时,停止训练,得到训练完成的文本错误识别模型。
本发明一可选实施例中,文本错误识别模型实际为一个二分类分类器,例如:“我的生体很好”输入进第一BERT模型,输出的遮掩字向量有三部分组成,第一个是[CLS]的向量,这个[CLS]用于判断句子是否有拼写错误;第二个是每个字的字向量,“我的生体很好”有6个字,所以组成了一个6xD的矩阵,矩阵里每一行就代表一个字的字向量,这里D是512维,对每个字的向量算一个均值得到g,再用这个g与另一个矩阵w相乘,这个w是可学习的矩阵,即矩阵里的值通过每一次迭代训练模型都可以被更新,而这个矩阵学习后就可以反映出每一个字的突显值。因为对一句输入的文本,可能出错的字的概率是不一样的,“我的生体很好”,一般“我”“的”“体”“很”“好”相对于“身”来说就不那么容易出错,而“很”字对于“我”“的”“体”“好”有相对于容易错,这个w就能通过训练数据学习到这些规律分布;第三个是遮掩后的模板。即第一BERT模型输出的遮掩字向量为:[CLS],我,的,生,体,很,好,[sep],这,句,话,是,<Masked>,[seq]。相较于传统BERT模型,相当于[CLS]和[Masked]的向量拼接后,作为新的[CLS]向量。
本发明一可选实施例中,在获得[CLS]特征向量(即遮掩字向量)之后,将[CLS]特征向量进过两个MLP全连接网络,再通过sigmoid激活函数计算出是否有拼写错误的概率,[CLS]特征向量经过了sigmoid函数的输出,这个输出是一个0-1的小数,代表了错误概率。可以使用阈值0.72,如果大于0.72,就认为有拼写错误,如果小于则代表没有。同时,使用交叉熵损失函数计算损失值。
本发明一可选实施例中,交叉熵损失函数的计算为现有公知技术,在此不再赘述。
S4、获取待纠错文本,利用所述标准纠错模型对所述待纠错文本进行纠错,得到已纠错文本。
本发明实施例中,可以使用标准纠错模型对待纠错文本进行文本错误识别及文本纠错。
进一步地,参照图4所示,所述利用所述标准纠错模型对所述待纠错文本进行纠错,得到已纠错文本,包括以下步骤S40-S42:
S40、利用所述标准纠错模型中的文本错误识别模型识别出所述待纠错文本的错误概率;
S41、若所述错误概率小于预设的错误阈值,则对所述待纠错文本不作处理;
S42、若所述错误概率大于等于所述错误阈值,则利用所述标准纠错模型中的文本纠错模型对所述待纠错文本进行文本纠错,得到已纠错文本。
本发明一可选实施例中,所述错误阈值可以为0.72。同时,仅对识别出有错误的句子进行纠错,避免对正确句子进行纠错,提高了文本纠错的效率。
S5、基于所述已纠错文本构建纠错对,利用预设的分类模型对所述纠错对进行纠错类型识别,得到纠错类型。
本发明实施例中,所述预设的分类模型也可以为BERT模型。
详细地,所述基于所述已纠错文本构建纠错对,利用预设的分类模型对所述纠错对进行纠错类型识别,得到纠错类型,包括:
对所述已纠错文本及所述已纠错文本对应的待纠错文本进行分词处理;
提取分词后涉及纠错的词组成纠错对,利用所述分类模型输出所述纠错对的纠错类型。
本发明一可选实施例中,需要对已纠错文本二次验证,对原始句子及双阶段BERT纠错后的句子进行分词,并对比两个句子分词后的纠错处(不同处),并把纠错处涉及的词取出来,这样便能知道句子被纠错的具体部分。把取出的词再次输入BERT模型(即分类模型),经由BERT模型的[CLS]输出向量。例如获取了修改处:原句词-纠错词,则BERT输入为:[CLS]原句词[sep]纠错词[sep],BERT模型的输出[CLS]向量就能代表原句词和纠错词的关系特征向量,将[CLS]向量输入进softmax进行类别分类,就能得到纠错对的纠错类型。
S6、基于所述纠错类型,利用编辑距离成本法对所述纠错对进行纠错验证,得到纠错验证结果。
本发明实施例中,纠错类型包括第一纠错类型及第二纠错类型,其中,第一纠错类型包括:谐音字词纠错,如配副眼睛-配副眼镜;混淆音字词纠错,如流浪织女-牛郎织女,第二纠错类型包括:形似字纠错,如高梁-高粱。
详细地,参照图5所示,所述基于所述纠错类型,利用编辑距离成本法对所述纠错对进行纠错验证,得到纠错验证结果,包括以下步骤S60-S62:
S60、若所述纠错类型为第一纠错类型,利用调整字符的编辑距离成本法计算所述纠错对的编辑成本;
S61、若所述纠错类型为第二纠错类型,利用键盘级别的编辑距离成本法计算所述纠错对的编辑成本;
S62、确定编辑成本小于等于预设成本阈值的纠错对的纠错验证结果为纠错成功,确定编辑成本大于预设成本阈值的纠错对的纠错验证结果为纠错失败。
本发明实施例中,对于第一纠错类型,将原句词与纠错词转换为拼音,使用拼音去计算编辑距离,所述调整字符包括增加、删除及替换字符等。其中调整字符的编辑距离成本法及键盘级别的编辑距离成本法为现有公知技术,在此不再赘述。
本发明一可选实施例中,所述预设成本阈值可以为1。
本发明实施例中,使用两种编辑距离的验证方法,对纠错部分进行二次确认,有效的提高了纠错能力,降低了由错误纠错成另一个错误的概率。并且区别对待了音错和形错的错误部分,提升了纠错准确率。由于编辑距离的计算成本高,如果只使用传统的编辑距离的方法,输入的不是词语而是句子,这将大大提高了计算成本,而本发明是基于词级别的编辑距离,不用计算句子中正确部分的编辑距离,大幅提升了计算效率。
本发明根据原始纠错训练文本集合中文本的正确性标注模板文本,可以得到信息更加丰富的标准纠错训练文本集合,并利用标准纠错训练文本集合对包括文本错误识别模型及文本纠错模型的双阶段纠错模型进行联合训练,利用训练得到的标准纠错模型对待纠错文本进行识别及纠错,提高了文本纠错的准确率及效率。同时,基于已纠错文本构建纠错对,利用编辑距离成本法对纠错对进行纠错验证,由于编辑距离成本的计算是词级别的,大幅提升了计算效率,也提高了纠错验证的效率。因此本发明提出的中文文本纠错及验证方法,可以解决中文纠错效率较低的问题。
如图6所示,是本发明一实施例提供的中文文本纠错及验证装置的功能模块图。
本发明所述中文文本纠错及验证装置100可以安装于电子设备中。根据实现的功能,所述中文文本纠错及验证装置100可以包括纠错模型训练模块101、文本纠错模块102、纠错类型识别模块103及纠错验证模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述纠错模型训练模块101,用于获取原始纠错训练文本集合,根据所述原始纠错训练文本集合中文本的正确性标注模板文本,得到标准纠错训练文本集合,构建包括文本错误识别模型及文本纠错模型的双阶段纠错模型,利用所述标准纠错训练文本集合对所述文本错误识别模型及文本纠错模型进行联合训练,得到标准纠错模型;
所述文本纠错模块102,用于获取待纠错文本,利用所述标准纠错模型对所述待纠错文本进行纠错,得到已纠错文本;
所述纠错类型识别模块103,用于基于所述已纠错文本构建纠错对,利用预设的分类模型对所述纠错对进行纠错类型识别,得到纠错类型;
所述纠错验证模块104,用于基于所述纠错类型,利用编辑距离成本法对所述纠错对进行纠错验证,得到纠错验证结果。
详细地,所述中文文本纠错及验证装置100各模块的具体实施方式如下:
步骤一、获取原始纠错训练文本集合,根据所述原始纠错训练文本集合中文本的正确性标注模板文本,得到标准纠错训练文本集合。
本发明实施例中,所述原始纠错训练文本集合为人工标注的文本数据,格式是一个错误句子对应一个正确的句子,例如,“我的生体很好-我的身体很好”。所述标注模板文本是根据句子的正确与否构建的标注文本,模板文本为“这句话是<>”,用来区分句子的正确与否。
详细地,所述根据所述原始纠错训练文本集合中文本的正确性标注模板文本,得到标准纠错训练文本集合,包括:
将所述原始纠错训练文本集合中的正确句子进行正确标注,以及将所述原始纠错训练文本集合中的错误句子进行错误标注;
汇总所有标注完成的句子文本,得到所述标准纠错训练文本集合。
本发明一实施例中,利用模板文本对不同的句子进行标注,例如,对于错误句子进行错误标注为“这句话是错的”,对于正确句子进行正确标注为“这句话是对的”。
步骤二、构建包括文本错误识别模型及文本纠错模型的双阶段纠错模型。
本发明实施例中,所述文本错误识别模型及文本纠错模型都是基于BERT模型的掩码语言模型(masked language model,MLM),其中,所述文本错误识别模型用来识别句子中有无错别字,所述文本纠错模型用来完成对错误拼写部分的纠正。
详细地,所述构建包括文本错误识别模型及文本纠错模型的双阶段纠错模型,包括:
获取第一BERT模型,在所述第一BERT模型后拼接全连接层及输出层,得到所述文本错误识别模型;
获取第二BERT模型并作为所述文本纠错模型,对所述文本错误识别模型机所述文本纠错模型进行串联得到所述双阶段纠错模型。
本发明实施例中,所述第一BERT模型是一个传统的BERT模型,输入的是文本,把文本中的字按字符顺序单独切分出来,通过第一BERT模型可以输出字向量以及[CLS]的特征向量;所述全连接层由两个MLP(单个MLP网络结构为上图显示,由两个线性层和一个ReLu激活函数组成)全连接网络组成,用来进一步提取特征;所述输出层包括sigmoid激活函数,用来计算出是否有拼写错误的概率。所述第二BERT模型的输入是文本的字向量,并输出为正确的句子。
步骤三、利用所述标准纠错训练文本集合对所述文本错误识别模型及文本纠错模型进行联合训练,得到标准纠错模型。
本发明实施例中,由于所述标准纠错训练文本集合的文本中包括基于文本正确性标注的模板文本,通过BERT模型的遮掩训练,可以提高纠错识别的准确率。
详细地,所述利用所述标准纠错训练文本集合对所述文本错误识别模型及文本纠错模型进行联合训练,得到标准纠错模型,包括:
利用所述标准纠错训练文本集合对所述文本错误识别模型进行迭代训练;
利用训练完成的文本错误识别模型输出所述标准纠错训练文本集合中句子对应的标准字向量;
对所述标准字向量进行复制组合处理,并基于复制后的组合字向量及预设的损失函数对所述文本纠错模型进行注意力训练;
汇总训练完成的文本错误识别模型及文本纠错模型得到所述双阶段纠错模型。
本发明实施例中,所述预设的损失函数可以为交叉熵损失函数。利用训练完成的文本错误识别模型输出标准纠错训练文本集合中句子对应的标准字向量后,把这个标准字向量复制出来两份,作为第二BERT模型中的Q和K,然后g*w的结果作为V,其中g表示字向量的均值,w为参数矩阵,这个w的矩阵大小为LxD,D为512维,L为输入文本中字的个数。在所述第二BERT模型中使用这个<Q,K,V>进行自注意力计算,并基于交叉熵损失函数对第二BERT模型进行迭代训练,得到训练完成的文本纠错模型。
具体地,所述利用所述标准纠错训练文本集合对所述文本错误识别模型进行迭代训练,包括:
利用所述第一BERT模型将所述标准纠错训练文本集合中的句子转化为字向量,对所述字向量中的预设位置进行遮掩处理,得到遮掩字向量;
利用所述全连接层提取所述遮掩字向量的标准字向量,利用所述输出层输出所述标准字向量的预测值;
基于所述预测值计算损失值,若所述损失值大于等于预设的损失阈值时,更新所述第一BERT模型中的参数,并返回所述利用所述第一BERT模型将所述标准纠错训练文本集合中的句子转化为字向量的步骤,直至所述损失值小于预设的损失阈值时,停止训练,得到训练完成的文本错误识别模型。
本发明一可选实施例中,文本错误识别模型实际为一个二分类分类器,例如:“我的生体很好”输入进第一BERT模型,输出的遮掩字向量有三部分组成,第一个是[CLS]的向量,这个[CLS]用于判断句子是否有拼写错误;第二个是每个字的字向量,“我的生体很好”有6个字,所以组成了一个6xD的矩阵,矩阵里每一行就代表一个字的字向量,这里D是512维,对每个字的向量算一个均值得到g,再用这个g与另一个矩阵w相乘,这个w是可学习的矩阵,即矩阵里的值通过每一次迭代训练模型都可以被更新,而这个矩阵学习后就可以反映出每一个字的突显值。因为对一句输入的文本,可能出错的字的概率是不一样的,“我的生体很好”,一般“我”“的”“体”“很”“好”相对于“身”来说就不那么容易出错,而“很”字对于“我”“的”“体”“好”有相对于容易错,这个w就能通过训练数据学习到这些规律分布;第三个是遮掩后的模板。即第一BERT模型输出的遮掩字向量为:[CLS],我,的,生,体,很,好,[sep],这,句,话,是,<Masked>,[seq]。相较于传统BERT模型,相当于[CLS]和[Masked]的向量拼接后,作为新的[CLS]向量。
本发明一可选实施例中,在获得[CLS]特征向量(即遮掩字向量)之后,将[CLS]特征向量进过两个MLP全连接网络,再通过sigmoid激活函数计算出是否有拼写错误的概率,[CLS]特征向量经过了sigmoid函数的输出,这个输出是一个0-1的小数,代表了错误概率。可以使用阈值0.72,如果大于0.72,就认为有拼写错误,如果小于则代表没有。同时,使用交叉熵损失函数计算损失值。
本发明一可选实施例中,交叉熵损失函数的计算为现有公知技术,在此不再赘述。
步骤四、获取待纠错文本,利用所述标准纠错模型对所述待纠错文本进行纠错,得到已纠错文本。
本发明实施例中,可以使用标准纠错模型对待纠错文本进行文本错误识别及文本纠错。
进一步地,所述利用所述标准纠错模型对所述待纠错文本进行纠错,得到已纠错文本,包括:
利用所述标准纠错模型中的文本错误识别模型识别出所述待纠错文本的错误概率;
若所述错误概率小于预设的错误阈值,则对所述待纠错文本不作处理;
若所述错误概率大于等于所述错误阈值,则利用所述标准纠错模型中的文本纠错模型对所述待纠错文本进行文本纠错,得到已纠错文本。
本发明一可选实施例中,所述错误阈值可以为0.72。同时,仅对识别出有错误的句子进行纠错,避免对正确句子进行纠错,提高了文本纠错的效率。
步骤五、基于所述已纠错文本构建纠错对,利用预设的分类模型对所述纠错对进行纠错类型识别,得到纠错类型。
本发明实施例中,所述预设的分类模型也可以为BERT模型。
详细地,所述基于所述已纠错文本构建纠错对,利用预设的分类模型对所述纠错对进行纠错类型识别,得到纠错类型,包括:
对所述已纠错文本及所述已纠错文本对应的待纠错文本进行分词处理;
提取分词后涉及纠错的词组成纠错对,利用所述分类模型输出所述纠错对的纠错类型。
本发明一可选实施例中,需要对已纠错文本二次验证,对原始句子及双阶段BERT纠错后的句子进行分词,并对比两个句子分词后的纠错处(不同处),并把纠错处涉及的词取出来,这样便能知道句子被纠错的具体部分。把取出的词再次输入BERT模型(即分类模型),经由BERT模型的[CLS]输出向量。例如获取了修改处:原句词-纠错词,则BERT输入为:[CLS]原句词[sep]纠错词[sep],BERT模型的输出[CLS]向量就能代表原句词和纠错词的关系特征向量,将[CLS]向量输入进softmax进行类别分类,就能得到纠错对的纠错类型。
步骤六、基于所述纠错类型,利用编辑距离成本法对所述纠错对进行纠错验证,得到纠错验证结果。
本发明实施例中,纠错类型包括第一纠错类型及第二纠错类型,其中,第一纠错类型包括:谐音字词纠错,如配副眼睛-配副眼镜;混淆音字词纠错,如流浪织女-牛郎织女,第二纠错类型包括:形似字纠错,如高梁-高粱。
详细地,所述基于所述纠错类型,利用编辑距离成本法对所述纠错对进行纠错验证,得到纠错验证结果,包括:
若所述纠错类型为第一纠错类型,利用调整字符的编辑距离成本法计算所述纠错对的编辑成本;
若所述纠错类型为第二纠错类型,利用键盘级别的编辑距离成本法计算所述纠错对的编辑成本;
确定编辑成本小于等于预设成本阈值的纠错对的纠错验证结果为纠错成功,确定编辑成本大于预设成本阈值的纠错对的纠错验证结果为纠错失败。
本发明实施例中,对于第一纠错类型,将原句词与纠错词转换为拼音,使用拼音去计算编辑距离,所述调整字符包括增加、删除及替换字符等。其中调整字符的编辑距离成本法及键盘级别的编辑距离成本法为现有公知技术,在此不再赘述。
本发明一可选实施例中,所述预设成本阈值可以为1。
本发明实施例中,使用两种编辑距离的验证方法,对纠错部分进行二次确认,有效的提高了纠错能力,降低了由错误纠错成另一个错误的概率。并且区别对待了音错和形错的错误部分,提升了纠错准确率。由于编辑距离的计算成本高,如果只使用传统的编辑距离的方法,输入的不是词语而是句子,这将大大提高了计算成本,而本发明是基于词级别的编辑距离,不用计算句子中正确部分的编辑距离,大幅提升了计算效率。
本发明根据原始纠错训练文本集合中文本的正确性标注模板文本,可以得到信息更加丰富的标准纠错训练文本集合,并利用标准纠错训练文本集合对包括文本错误识别模型及文本纠错模型的双阶段纠错模型进行联合训练,利用训练得到的标准纠错模型对待纠错文本进行识别及纠错,提高了文本纠错的准确率及效率。同时,基于已纠错文本构建纠错对,利用编辑距离成本法对纠错对进行纠错验证,由于编辑距离成本的计算是词级别的,大幅提升了计算效率,也提高了纠错验证的效率。因此本发明提出的中文文本纠错及验证装置,可以解决中文纠错效率较低的问题。
如图7所示,是本发明一实施例提供的实现所述中文文本纠错及验证方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如中文文本纠错及验证程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如中文文本纠错及验证程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如中文文本纠错及验证程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图7仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图7示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,该电子设备还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的中文文本纠错及验证程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取原始纠错训练文本集合,根据所述原始纠错训练文本集合中文本的正确性标注模板文本,得到标准纠错训练文本集合;
构建包括文本错误识别模型及文本纠错模型的双阶段纠错模型;
利用所述标准纠错训练文本集合对所述文本错误识别模型及文本纠错模型进行联合训练,得到标准纠错模型;
获取待纠错文本,利用所述标准纠错模型对所述待纠错文本进行纠错,得到已纠错文本;
基于所述已纠错文本构建纠错对,利用预设的分类模型对所述纠错对进行纠错类型识别,得到纠错类型;
基于所述纠错类型,利用编辑距离成本法对所述纠错对进行纠错验证,得到纠错验证结果。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取原始纠错训练文本集合,根据所述原始纠错训练文本集合中文本的正确性标注模板文本,得到标准纠错训练文本集合;
构建包括文本错误识别模型及文本纠错模型的双阶段纠错模型;
利用所述标准纠错训练文本集合对所述文本错误识别模型及文本纠错模型进行联合训练,得到标准纠错模型;
获取待纠错文本,利用所述标准纠错模型对所述待纠错文本进行纠错,得到已纠错文本;
基于所述已纠错文本构建纠错对,利用预设的分类模型对所述纠错对进行纠错类型识别,得到纠错类型;
基于所述纠错类型,利用编辑距离成本法对所述纠错对进行纠错验证,得到纠错验证结果。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (4)
1.一种中文文本纠错及验证方法,其特征在于,所述方法包括:
获取原始纠错训练文本集合,根据所述原始纠错训练文本集合中文本的正确性标注模板文本,得到标准纠错训练文本集合;
构建包括文本错误识别模型及文本纠错模型的双阶段纠错模型;
利用所述标准纠错训练文本集合对所述文本错误识别模型及文本纠错模型进行联合训练,得到标准纠错模型;
获取待纠错文本,利用所述标准纠错模型对所述待纠错文本进行纠错,得到已纠错文本;
基于所述已纠错文本构建纠错对,利用预设的分类模型对所述纠错对进行纠错类型识别,得到纠错类型;
基于所述纠错类型,利用编辑距离成本法对所述纠错对进行纠错验证,得到纠错验证结果;
其中,所述构建包括文本错误识别模型及文本纠错模型的双阶段纠错模型,包括:获取第一BERT模型,在所述第一BERT模型后拼接全连接层及输出层,得到所述文本错误识别模型;获取第二BERT模型并作为所述文本纠错模型,对所述文本错误识别模型及所述文本纠错模型进行串联得到所述双阶段纠错模型;
所述利用所述标准纠错训练文本集合对所述文本错误识别模型及文本纠错模型进行联合训练,得到标准纠错模型,包括:利用所述标准纠错训练文本集合对所述文本错误识别模型进行迭代训练;利用训练完成的文本错误识别模型输出所述标准纠错训练文本集合中句子对应的标准字向量;对所述标准字向量进行复制组合处理,并基于复制后的组合字向量及预设的损失函数对所述文本纠错模型进行注意力训练;汇总训练完成的文本错误识别模型及文本纠错模型得到所述双阶段纠错模型;
所述利用所述标准纠错训练文本集合对所述文本错误识别模型进行迭代训练,包括:利用所述第一BERT模型将所述标准纠错训练文本集合中的句子转化为字向量,对所述字向量中的预设位置进行遮掩处理,得到遮掩字向量;利用所述全连接层提取所述遮掩字向量的标准字向量,利用所述输出层输出所述标准字向量的预测值;基于所述预测值计算损失值,若所述损失值大于等于预设的损失阈值时,更新所述第一BERT模型中的参数,并返回所述利用所述第一BERT模型将所述标准纠错训练文本集合中的句子转化为字向量的步骤,直至所述损失值小于预设的损失阈值时,停止训练,得到训练完成的文本错误识别模型;
所述利用所述标准纠错模型对所述待纠错文本进行纠错,得到已纠错文本,包括:利用所述标准纠错模型中的文本错误识别模型识别出所述待纠错文本的错误概率;若所述错误概率小于预设的错误阈值,则对所述待纠错文本不作处理;若所述错误概率大于等于所述错误阈值,则利用所述标准纠错模型中的文本纠错模型对所述待纠错文本进行文本纠错,得到已纠错文本;
所述基于所述已纠错文本构建纠错对,利用预设的分类模型对所述纠错对进行纠错类型识别,得到纠错类型,包括:对所述已纠错文本及所述已纠错文本对应的待纠错文本进行分词处理;提取分词后涉及纠错的词组成纠错对,利用所述分类模型输出所述纠错对的纠错类型;
所述基于所述纠错类型,利用编辑距离成本法对所述纠错对进行纠错验证,得到纠错验证结果,包括:若所述纠错类型为第一纠错类型,利用调整字符的编辑距离成本法计算所述纠错对的编辑成本;若所述纠错类型为第二纠错类型,利用键盘级别的编辑距离成本法计算所述纠错对的编辑成本;确定编辑成本小于等于预设成本阈值的纠错对的纠错验证结果为纠错成功,确定编辑成本大于预设成本阈值的纠错对的纠错验证结果为纠错失败。
2.一种中文文本纠错及验证装置,其特征在于,所述装置包括:
纠错模型训练模块,用于获取原始纠错训练文本集合,根据所述原始纠错训练文本集合中文本的正确性标注模板文本,得到标准纠错训练文本集合,构建包括文本错误识别模型及文本纠错模型的双阶段纠错模型,利用所述标准纠错训练文本集合对所述文本错误识别模型及文本纠错模型进行联合训练,得到标准纠错模型;
文本纠错模块,用于获取待纠错文本,利用所述标准纠错模型对所述待纠错文本进行纠错,得到已纠错文本;
纠错类型识别模块,用于基于所述已纠错文本构建纠错对,利用预设的分类模型对所述纠错对进行纠错类型识别,得到纠错类型;
纠错验证模块,用于基于所述纠错类型,利用编辑距离成本法对所述纠错对进行纠错验证,得到纠错验证结果;
其中,所述构建包括文本错误识别模型及文本纠错模型的双阶段纠错模型,包括:获取第一BERT模型,在所述第一BERT模型后拼接全连接层及输出层,得到所述文本错误识别模型;获取第二BERT模型并作为所述文本纠错模型,对所述文本错误识别模型及所述文本纠错模型进行串联得到所述双阶段纠错模型;
所述利用所述标准纠错训练文本集合对所述文本错误识别模型及文本纠错模型进行联合训练,得到标准纠错模型,包括:利用所述标准纠错训练文本集合对所述文本错误识别模型进行迭代训练;利用训练完成的文本错误识别模型输出所述标准纠错训练文本集合中句子对应的标准字向量;对所述标准字向量进行复制组合处理,并基于复制后的组合字向量及预设的损失函数对所述文本纠错模型进行注意力训练;汇总训练完成的文本错误识别模型及文本纠错模型得到所述双阶段纠错模型;
所述利用所述标准纠错训练文本集合对所述文本错误识别模型进行迭代训练,包括:利用所述第一BERT模型将所述标准纠错训练文本集合中的句子转化为字向量,对所述字向量中的预设位置进行遮掩处理,得到遮掩字向量;利用所述全连接层提取所述遮掩字向量的标准字向量,利用所述输出层输出所述标准字向量的预测值;基于所述预测值计算损失值,若所述损失值大于等于预设的损失阈值时,更新所述第一BERT模型中的参数,并返回所述利用所述第一BERT模型将所述标准纠错训练文本集合中的句子转化为字向量的步骤,直至所述损失值小于预设的损失阈值时,停止训练,得到训练完成的文本错误识别模型;
所述利用所述标准纠错模型对所述待纠错文本进行纠错,得到已纠错文本,包括:利用所述标准纠错模型中的文本错误识别模型识别出所述待纠错文本的错误概率;若所述错误概率小于预设的错误阈值,则对所述待纠错文本不作处理;若所述错误概率大于等于所述错误阈值,则利用所述标准纠错模型中的文本纠错模型对所述待纠错文本进行文本纠错,得到已纠错文本;
所述基于所述已纠错文本构建纠错对,利用预设的分类模型对所述纠错对进行纠错类型识别,得到纠错类型,包括:对所述已纠错文本及所述已纠错文本对应的待纠错文本进行分词处理;提取分词后涉及纠错的词组成纠错对,利用所述分类模型输出所述纠错对的纠错类型;
所述基于所述纠错类型,利用编辑距离成本法对所述纠错对进行纠错验证,得到纠错验证结果,包括:若所述纠错类型为第一纠错类型,利用调整字符的编辑距离成本法计算所述纠错对的编辑成本;若所述纠错类型为第二纠错类型,利用键盘级别的编辑距离成本法计算所述纠错对的编辑成本;确定编辑成本小于等于预设成本阈值的纠错对的纠错验证结果为纠错成功,确定编辑成本大于预设成本阈值的纠错对的纠错验证结果为纠错失败。
3.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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如权利要求1所述的中文文本纠错及验证方法。
4.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1所述的中文文本纠错及验证方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210824618.4A CN115169330B (zh) | 2022-07-13 | 2022-07-13 | 中文文本纠错及验证方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210824618.4A CN115169330B (zh) | 2022-07-13 | 2022-07-13 | 中文文本纠错及验证方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115169330A CN115169330A (zh) | 2022-10-11 |
CN115169330B true CN115169330B (zh) | 2023-05-02 |
Family
ID=83493177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210824618.4A Active CN115169330B (zh) | 2022-07-13 | 2022-07-13 | 中文文本纠错及验证方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115169330B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012039686A1 (en) * | 2010-09-24 | 2012-03-29 | National University Of Singapore | Methods and systems for automated text correction |
CN111626047A (zh) * | 2020-04-23 | 2020-09-04 | 平安科技(深圳)有限公司 | 智能化文本纠错方法、装置、电子设备及可读存储介质 |
CN112016310A (zh) * | 2020-09-03 | 2020-12-01 | 平安科技(深圳)有限公司 | 文本纠错方法、***、设备及可读存储介质 |
CN112329476A (zh) * | 2020-11-11 | 2021-02-05 | 北京京东尚科信息技术有限公司 | 一种文本纠错方法及装置、设备、存储介质 |
CN112836496A (zh) * | 2021-01-25 | 2021-05-25 | 之江实验室 | 一种基于bert和前馈神经网络的文本纠错方法 |
CN113177405A (zh) * | 2021-05-28 | 2021-07-27 | 中国平安人寿保险股份有限公司 | 基于bert的数据纠错方法、装置、设备及存储介质 |
CN113807973A (zh) * | 2021-09-16 | 2021-12-17 | 平安科技(深圳)有限公司 | 文本纠错方法、装置、电子设备及计算机可读存储介质 |
CN113887200A (zh) * | 2021-09-29 | 2022-01-04 | 平安银行股份有限公司 | 文本变长纠错方法、装置、电子设备及存储介质 |
CN114154486A (zh) * | 2021-11-09 | 2022-03-08 | 浙江大学 | 一种针对中文语料拼写错误的智能纠错*** |
CN114417834A (zh) * | 2021-12-24 | 2022-04-29 | 深圳云天励飞技术股份有限公司 | 文本的处理方法、装置、电子设备及可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11886812B2 (en) * | 2020-03-02 | 2024-01-30 | Grammarly, Inc. | Proficiency and native language-adapted grammatical error correction |
-
2022
- 2022-07-13 CN CN202210824618.4A patent/CN115169330B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012039686A1 (en) * | 2010-09-24 | 2012-03-29 | National University Of Singapore | Methods and systems for automated text correction |
CN111626047A (zh) * | 2020-04-23 | 2020-09-04 | 平安科技(深圳)有限公司 | 智能化文本纠错方法、装置、电子设备及可读存储介质 |
CN112016310A (zh) * | 2020-09-03 | 2020-12-01 | 平安科技(深圳)有限公司 | 文本纠错方法、***、设备及可读存储介质 |
CN112329476A (zh) * | 2020-11-11 | 2021-02-05 | 北京京东尚科信息技术有限公司 | 一种文本纠错方法及装置、设备、存储介质 |
CN112836496A (zh) * | 2021-01-25 | 2021-05-25 | 之江实验室 | 一种基于bert和前馈神经网络的文本纠错方法 |
CN113177405A (zh) * | 2021-05-28 | 2021-07-27 | 中国平安人寿保险股份有限公司 | 基于bert的数据纠错方法、装置、设备及存储介质 |
CN113807973A (zh) * | 2021-09-16 | 2021-12-17 | 平安科技(深圳)有限公司 | 文本纠错方法、装置、电子设备及计算机可读存储介质 |
CN113887200A (zh) * | 2021-09-29 | 2022-01-04 | 平安银行股份有限公司 | 文本变长纠错方法、装置、电子设备及存储介质 |
CN114154486A (zh) * | 2021-11-09 | 2022-03-08 | 浙江大学 | 一种针对中文语料拼写错误的智能纠错*** |
CN114417834A (zh) * | 2021-12-24 | 2022-04-29 | 深圳云天励飞技术股份有限公司 | 文本的处理方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115169330A (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113051356B (zh) | 开放关系抽取方法、装置、电子设备及存储介质 | |
CN114822812A (zh) | 角色对话模拟方法、装置、设备及存储介质 | |
CN113378970B (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
CN113704429A (zh) | 基于半监督学习的意图识别方法、装置、设备及介质 | |
CN113807973B (zh) | 文本纠错方法、装置、电子设备及计算机可读存储介质 | |
CN113743101B (zh) | 文本纠错方法、装置、电子设备和计算机存储介质 | |
CN112507663A (zh) | 基于文本的判断题生成方法、装置、电子设备及存储介质 | |
CN114511038A (zh) | 虚假新闻检测方法、装置、电子设备及可读存储介质 | |
CN116821373A (zh) | 基于图谱的prompt推荐方法、装置、设备及介质 | |
CN115238115A (zh) | 基于中文数据的图像检索方法、装置、设备及存储介质 | |
CN114610855A (zh) | 对话回复生成方法、装置、电子设备及存储介质 | |
CN113344125B (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
CN113704393A (zh) | 关键词提取方法、装置、设备及介质 | |
CN113705207A (zh) | 语法错误识别方法及装置 | |
CN116450829A (zh) | 医疗文本分类方法、装置、设备及介质 | |
CN116701574A (zh) | 文本语义相似度计算方法、装置、设备及存储介质 | |
CN114757154B (zh) | 基于深度学习的作业生成方法、装置、设备及存储介质 | |
CN116341646A (zh) | Bert模型的预训练方法、装置、电子设备及存储介质 | |
CN116468025A (zh) | 电子病历结构化方法、装置、电子设备及存储介质 | |
CN115169330B (zh) | 中文文本纠错及验证方法、装置、设备及存储介质 | |
CN116501846A (zh) | 开放式对话方法、装置、电子设备及介质 | |
CN115146064A (zh) | 意图识别模型优化方法、装置、设备及存储介质 | |
CN114298032A (zh) | 文本标点检测方法、计算机设备及存储介质 | |
CN114462411B (zh) | 命名实体识别方法、装置、设备及存储介质 | |
CN112632240B (zh) | 基于知识库导向的网络文本生成方法、装置及存储介质 |
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 |