向AI转型的程序员都关注了这个号????????????

人工智能大数据与深度学习  公众号：datayx

今年，字节AI-Lab与复旦大学合作提出了一种中文文本纠错模型：Soft-Masked BERT^[1].这项工作发表在了ACL 2020上，由于论文并没有开源代码，所以我将对这篇论文进行解读与复现。

问题提出：

中文文本纠错是一项挑战性的任务，因为模型要想获得令人满意的解决方案，就必须具备人类水平的语言理解能力。比如：

• eg1 Wrong：埃及有金子塔。Correct: 埃及有金字塔。

• eg2 Wrong: 他的求胜欲很强，为了越狱在挖洞。Correct: 他的求生欲很强，为了越狱在挖洞。

• eg3 Wrong: 他主动拉了姑娘的手, 心里很高心。Correct: 他主动拉了姑娘的手, 心里很高兴。

在Soft-Masked BERT被提出之前，最好的方法是先通过在句子的每个位置建立基于BERT的语言表示模型，再从候选字符列表中选择一个字符进行修正。然而，BERT使用了mask的方式进行预训练，没有足够的能力来检测每个位置是否存在误差（只有15%的错误被找出），所以这种方法的精度不够好。

Soft-Masked BERT解决方案：

使用两个网络模型，一个用于错误检测；另一个基于BERT进行纠错。

• Detection Network

Detection Network通过双向的GRU来实现:

构建Detection_Network中的网络层与实例化代码:

• Soft Masking Connection

• Correction Network

该层主要的结构就是Bert模型，其中有12个Encoder层，以整个序列作为输入。每个block包含一个多头部的self-attention操作，然后接一个前馈网络：

实验结果

论文中使用的数据集有3个：

1. Chinese Spelling Check Task（CSC）数据集：选择了其中《对外汉语测试》的作文部分（SIGHAN）;

2. News Title数据集：来自于今日头条app中的文章的标题部分;

3. 5 million news titles数据集：从一些中文新闻app中爬取，该数据集只用来fine-tuning

其中公开数据集为Chinese Spelling Check Task数据集^[2]，包含1100个文本和461种错误（字符级别）.

可以看出，在CSC数据集的测试中，Soft-Masked BERT模型的效果基本上都是比其他Baseline模型的效果要好。

而在Detection部分，HanSpeller++模型的精准率要高于Soft-Masked BERT模型的精准率，且Correction部分HanSpeller++模型的精准率也高于Soft-Masked BERT模型的精准率.

这是因为HanSpeller++模型中有许多人工添加的规则与特征，这些人工添加的规则与特征能在Detection部分过滤错误的识别，虽然这种人工规则与特征效果很好，但这种方式需要很多人工成本，而且泛化性也不好.

综上，在SIGHAN数据集的测试集上，Soft-Masked BERT模型的效果是最优的。

此外作者还用实验证明了:

1. fine-tuning的数据集（在5 million news titles数据集上）的规模越大，fine-tuning之后的模型在CSC任务中的效果也会越好;

2. 消融对比研究，证明该提出的模型每一部分都是不可或缺的.

关于以上内容：

完整代码以及更详细的注释（一行代码三行注释）已上传到github

• 代码 获取方式：

  分享本文到朋友圈
  

  关注微信公众号 datayx  然后回复 纠错  即可获取。

  AI项目体验地址 https://loveai.tech

参考

1. ^[1] https://arxiv.org/pdf/2005.07421.pdf

2. ^http://ir.itc.ntnu.edu.tw/lre/sighan7csc.html

3. ^https://github.com/shibing624/pycorrector

4. ^https://zhuanlan.zhihu.com/p/164873441

---

阅读过本文的人还看了以下文章：

TensorFlow 2.0深度学习案例实战

基于40万表格数据集TableBank，用MaskRCNN做表格检测

《基于深度学习的自然语言处理》中/英PDF

Deep Learning 中文版初版-周志华团队

【全套视频课】最全的目标检测算法系列讲解，通俗易懂！

《美团机器学习实践》_美团算法团队.pdf

《深度学习入门：基于Python的理论与实现》高清中文PDF+源码

特征提取与图像处理(第二版).pdf

python就业班学习视频，从入门到实战项目

2019最新《PyTorch自然语言处理》英、中文版PDF+源码

《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码

《深度学习之pytorch》pdf+附书源码

PyTorch深度学习快速实战入门《pytorch-handbook》

【下载】豆瓣评分8.1,《机器学习实战:基于Scikit-Learn和TensorFlow》

《Python数据分析与挖掘实战》PDF+完整源码

汽车行业完整知识图谱项目实战视频(全23课)

李沐大神开源《动手学深度学习》，加州伯克利深度学习（2019春）教材

笔记、代码清晰易懂！李航《统计学习方法》最新资源全套！

《神经网络与深度学习》最新2018版中英PDF+源码

将机器学习模型部署为REST API

FashionAI服装属性标签图像识别Top1-5方案分享

重要开源！CNN-RNN-CTC 实现手写汉字识别

yolo3 检测出图像中的不规则汉字

同样是机器学习算法工程师，你的面试为什么过不了？

前海征信大数据算法：风险概率预测

【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目，让你掌握深度学习图像分类

VGG16迁移学习，实现医学图像识别分类工程项目

特征工程(一)

特征工程(二) :文本数据的展开、过滤和分块

特征工程(三):特征缩放,从词袋到 TF-IDF

特征工程(四): 类别特征

特征工程(五): PCA 降维

特征工程(六): 非线性特征提取和模型堆叠

特征工程(七)：图像特征提取和深度学习

如何利用全新的决策树集成级联结构gcForest做特征工程并打分？

Machine Learning Yearning 中文翻译稿

蚂蚁金服2018秋招-算法工程师（共四面）通过

全球AI挑战-场景分类的比赛源码(多模型融合)

斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）

python+flask搭建CNN在线识别手写中文网站

中科院Kaggle全球文本匹配竞赛华人第1名团队-深度学习与特征工程

不断更新资源

深度学习、机器学习、数据分析、python

 搜索公众号添加： datayx  

---

机大数据技术与机器学习工程

 搜索公众号添加： datanlp

长按图片，识别二维码