SpellBERT：预训练模型与中文拼写纠错

作者 | 王嘉宁

整理 | NewBeeNLP

大家好，这里是NewBeeNLP。中文拼写纠错在搜索引擎、问答系统中作为入口模块，对其有着至关重要的作用。拼写纠错，即，给定一个自然语言的句子，识别出其中出错的汉字或词语，并对其进行纠正。如下所示，

今天分享来自复旦大学的论文

论文：SpellBERT：A Lightweight Pretrained Model for Chinese Spelling Checking

https://aclanthology.org/2021.emnlp-main.287v2.pdf

代码：https://github.com/benbijituo/SpellBERT/

一、动机

中文含有超过3500个词组成的词表，搜索空间太大，且错误分布不均匀；
中文的错误一般包含形似（Graphical）和音似（Phonetic）两种情况，如图所示：
先前的工作关注于confusion set的构建，而confusion set的质量会对纠错效果起到影响；

Confusion set是指混淆集，简单地认为是一个字典，key表示目标字符，value则为一系列与Key存在字形或字音相似的字符集合。例如“自”的混淆集可以是“白”、“曰”等。

本文依然利用视觉和语音方面信息，不同于先前工作，视觉部分，采用部首偏旁信息，语音部分，则将整个pinyin视为整体，而非序列；

二、方法

提出SpellBERT模型，将CSC(Chinese Spelling Check)视为序列标注问题，即输入一个文本序列，输出等长的文本序列。模型如下图所示：

2.1 MLM

backbone采用基于MLM的预训练语言模型（例如BERT）。BERT输入为一个待纠错的文本序列，输出部分是每个token对应的隐状态向量：

其中表示第个token的隐状态向量，将其与所有word embedding计算相似度，得到当前token预测的概率分布：

2.2 Visual & Phonetic Fusion

视觉和语音信息是CSC中的关键，而confusion set无法完全包含所有的错误，本部分则探究如何将这视觉和语音方面的信息与word embedding进行融合；

Visual errors have similar shapes as correct characters while phonetic errors have similar pronunciation. 中文的拼写错误通常来源于相似字形或相似读音所导致。
These models relied on confusion set to filter candidates but the confusion set might be out-of-date or out-of-domain. 现有的工作直接构建固定的混淆集，使得很难确保所有的错误都能被涵盖；
Chinese characters can be decomposed into components namely radicals and visual errors often have overlap radicals with the correct character. Pinyin is a sequence of pronunciation descriptions for Chinese characters and phonetic errors often have overlap pinyin.

因此，本文引入图网络实现信息融合，具体地说，采用Relational Graph Convolutional Network（R-GCN）。

（1）图的构建：

对于一个文本，每个汉字（character）、偏旁部首以及pinyin都可以视为一个节点。如果某个偏旁或pinyin属于某个汉字，则它们之间有边相连
如果两个汉字（character）相邻，则二者存在一条边；
另外对于每个汉字，添加自环

因此，整个图存在四种类型的边：

字符与偏胖部首：如果一个字符包含某一个偏旁部首，则之间存在边；
字符与拼音：如果一个字符存在某一个发音，则之间存在边；
相邻字符：如果两个字符在一定窗口内共现，则之间存在边；
自环：每个字符均与自己本身存在环边；

（2）节点初始化：

每个汉字（character）节点，直接使用BERT word embedding；
对于偏旁部首和汉字节点，将所有与之相关的character emebdding进行平均；

（3）迭代表征：

其中表示汉字，表示与相邻的所有节点，最终得到的表示融合pinyin和graphy信息的word embedding。

基于R-GCN的表征，喂入BERT中：

2.3 Enhance Pre-training Tasks for CSC

因为添加了一些新的模块，作者认为需要进行预训练来提高模型的泛化能力。因此新增 radical prediction 和 pinyin prediction 两个预训练任务。

对于构建的图，随机mask掉汉字（character）节点与偏旁部首或pinyin相连的边，然后预测它们之间是否存在边，即相当于reconstruction connection。

Through reconstructing connections, the model can learn a better representation that contains not only contextual information but also visual and phonetic information.

随机挑选15%的character，其中：

10%概率保持不变，预测character、radical和pinyin；
60%被替换为[MASK]，与其相连的所有边随机mask80%的边。预测被mask掉的character、radical和pinyin；
30%概率从confusion set中随机采样一个错误的character，同时与其相连的所有边随机mask80%的边，预测被替换的character、radical和pinyin；

因为图中的边没有embedding，因此将radical prediction和pinyin prediction视为token classification任务：

对于某个character，取对应的某个radical和pinyin作为groud truth，并再取其他radical和pinyin作为负样本；
radical和pinyin embedding与character的BERT表征后的向量计算相似度。

2.4 Reducing Parameter

作者认为，模型中既包含BERT，又包含GCN，参数量可能会很大，因此提出Reducing操作，即只使用4层的BERT作为backbone。实验也说明只需要4层的backbone就能达到很好效果。

三、实验

backbone：4层BERT

pre-training语料：https://zenodo.org/record/3402023#.YZs2n5BBy3K，随机挑选1M训练，max_len=128，batch_size=1024，lr=5e-5，step=10K，训练2天时间。

fine-tuning

数据集：SIGHAN14、SIGHAN15、OCR
（1）SIGHAN14、SIGHAN15
直接使用https://github.com/ACL2020SpellGCN/SpellGCN/tree/master/data提供的数据，其中：

merged：表示SIGHAN13、SIGHAN14和SIGHAN15混合训练集（10K）：
SIGHAN13、SIGHAN14、SIGHAN15：分别表示测试集

同时获取《A Hybrid Approach to Automatic Corpus Generation for Chinese Spelling Check》
评价脚本：

（2）OCR
使用《FASPell: A Fast, Adaptable, Simple, Powerful Chinese Spell Checker Based On DAE-Decoder Paradigm》构建的数据集：https://github.com/iqiyi/FASPell，总共4575句子

实验结果：

一起交流

想和你一起学习进步！『NewBeeNLP』目前已经建立了多个不同方向交流群（机器学习 / 深度学习 / 自然语言处理 / 搜索推荐 / 图网络 / 面试交流 / 等），名额有限，赶紧添加下方微信加入一起讨论交流吧！（注意一定o要备注信息才能通过）