CN110472243A - 一种中文拼写检查方法 - Google Patents
一种中文拼写检查方法 Download PDFInfo
- Publication number
- CN110472243A CN110472243A CN201910728950.9A CN201910728950A CN110472243A CN 110472243 A CN110472243 A CN 110472243A CN 201910728950 A CN201910728950 A CN 201910728950A CN 110472243 A CN110472243 A CN 110472243A
- Authority
- CN
- China
- Prior art keywords
- word
- chinese
- spell checking
- checking methods
- model
- 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
Classifications
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/08—Learning methods
-
- 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
Abstract
本发明涉及一种中文拼写检查方法。包括如下步骤:构建分词模型,对待检测文本进行分词,得到分词序列;辨认分词序列中的可疑字,并对可疑字进行标记;建立混淆集;利用混淆集构建图模型框架生成纠正候选;计算得出最优候选结果。本发明构建了优质的混淆字集,对分词系统做进一步改进,提高分词的准确率,进而更准确地查找错误位置和错误字。
Description
技术领域
本发明涉及文字检错领域,特别是一种中文拼写检查方法。
背景技术
在国内外相关领域研发人员的共同努力下,中文拼写检查在关键技术方面取得了重要突破,在技术运用方面也有相关产品落地,比如百度智能纠错平台,云查错等各种APP,拼写检查的质量在一定程度上满足了人们的应用需求。然而,在效果上面,人们还在追求更高水平,错别字检测的准确度、句子修改的正确率、以及混淆集建立的实用性等,都有待提高。
实证研究表明,仅使用带注释的语料库不能产生令人满意的性能,因为拼写错误的学习是严重不平衡的机器学习任务,很少发生但多样化的错误形式的发现,需要更大的正确文字语料库。这种情况促使研究者通过整合有用的方法找到更好的方法。研究者观察到中文拼写错误与分词错误有紧密的正相关关系,因为拼写错误很可能导致分词错误。这种观察是有道理的,因为拼写错误可能会导致一个正确的单词产生不太可能的分段句子。从而,可以粗略地判断:所有可能的单词分割中有或没有拼写校正,具有最高可能性的分割则通常会产生正确的句子。
如果能提出一种同时解决分词和拼写错误检查的技术方案,将是十分有意义的。
发明内容
为解决上述问题,本发明提供了一种中文拼写检查方法,包括如下步骤:
步骤一:构建分词模型,对待检测文本进行分词,得到分词序列;
步骤二:辨认分词序列中的可疑字,并对可疑字进行标记;
步骤四:建立混淆集;
步骤五:利用混淆集构建图模型框架生成纠正候选;
步骤六:计算得出最优候选结果。
进一步的,步骤一中,构建分词模型的具体方法为:
S1.1:预先选定Bi-LSTM模型;
S1.2:对语料进行处理,使用word2vec对语料的字进行嵌入,得到字嵌入;
S1.3:将字嵌入的特征喂给Bi-LSTM模型;
S1.4:在Bi-LSTM模型中加入线性层、CRF层;(请确定S1.3与S1.4的步骤顺序),得到分词模型。
进一步的,步骤二中,辨认可疑字的具体方法为:将单个字构成的词定义为单字,如果分词序列出现连续的单字构成的单字串,则将单字串认定为可疑字。
进一步的,混淆集的数据格式是key-value格式,其中key为中文字或者中文词语,value为该中文字词可能存在的错误形式。
进一步的,所述错误形式分为发音混淆、形状混淆;形状混淆,是指输入错误;发音混淆包括相同读音、相同音节不同音调、相似音节相同音调、相似音节不同音调。
进一步的,步骤五具体为:对分词序列内的可疑字进行混淆集替换,最后选择满足最短路径的边,确定最终的错误字,输出错误的位置。
进一步的,步骤五中,如果存在多条最短路径,则利用RNN+N-gram模型,确定最终的错误字,输出错误的位置。
进一步的,步骤六具体为:构建RNN+N-gram框架,采用RNN算法得到最优的一个候选句,并将其作为错字校对的最终结果。
本发明的有益效果为:
1.经济效益分析
近年来许多公司会从网络上撷取资料,透过语意分析,分析市场趋势、产品品质、消费者行为……等。但网络文献中存在着许多错误的字词,在语意分析上一般都会舍弃这些字词,但这无形中造就了资源的浪费。采用本发明,在分析上就能有更多的资源,从而做出更有意义和价值的分析。本发明研究拥有高度的侦错能力和修正功能,能够修复错误的字词,让企业做出更有效的分析,加强企业的竞争力。
2.社会效益分析
本发明能够精确地检测出错别字并且修正,从而大量减少人工侦错的时间与成本,且在取得显著经济效益的同时,增加外国用户使用中文的意愿,从而达到推广中文的目的。
3.环境效益分析
本发明研究成果能在任何已知的系统上运作,且在研究过程中没有使用多余的资源或场地,不会对环境产生不良影响。
附图说明
图1为本发明的流程图。
具体实施方式
如图1所示,本发明包括如下步骤:
步骤一:构建分词模型,对待检测文本进行分词,得到分词序列;
本步骤是使用keras实现的基于Bi-LSTM(双向LSTM)+CRF的中文分词来改善分词效果,采用双向的长短期记忆网络LSTM,它可以解决语言远距离依赖问题,从而增强长句分词能力。分词的具体步骤如下:
S1.1:预先选定Bi-LSTM模型;
S1.2:对语料进行处理,使用word2vec对语料的字进行嵌入,得到字嵌入。字嵌入是一种有效的特征学习,属于深度学习技术领域,深度学习主要是特征学习,端到端训练。
S1.3:将字嵌入的特征喂给Bi-LSTM模型;
S1.4:对Bi-LSTM模型中输出的隐层加一个线性层,然后再加一个CRF层,得到分词模型。利用CRF进行学习符号之间的约束,达到最高准确率的分词效果。由于句子中含有错别字,所以分词结果往往会有切分错误的情况,这样从字粒度和词粒度两方面检测错误,整合这两种粒度的疑似错误结果,形成疑似错误位置候选集。利用日志信息,生成关键词的热度信息,构建一个常用词表加上需要应用的领域词表,从而提高错误检测率。
步骤二:辨认分词序列中的可疑字,并对可疑字进行标记。
辨认可疑字的具体方法为:在分词结果中,将单个字构成的词定义为单字。如果分词序列连续出现两个及以上的单字被认为是连续的单字串,则将单字串认定为可疑字。如果一个文本中包含有拼写错误的字,在分词后的序列中,往往会出现连续的单字串(连续出现两个及以上的单字被认为是连续单字串)。本发明将连续的单字串内的字被认为是可疑字。为了减少检错系统的误报,制定一些过滤容易被误报的单字,忽略句首的单字和忽略单独成词的字。
步骤四:建立混淆集。
混淆集的质量很大程度上决定了中文纠错的上限。混淆集的数据格式是key-value格式,其中key为中文字或者中文词语,value为该中文字词可能存在的错误形式。
常见的错误形式分为发音混淆、形状混淆。其中,发音混淆是最为主要的一种形式,其比例可达70%左右,发音混淆有四种错误类型,分别为相同读音、相同音节不同音调、相似音节相同音调、相似音节不同音调。形状混淆可根据五笔码的编辑距离计算就可以得到。根据这些错误类型建立最优混淆字集,混淆集的质量很大程度上决定了中文纠错的上限。
步骤五:利用混淆集构建图模型框架生成纠正候选。
图模型(Graphical Model)是用图论方法以表现数个独立随机变数之关联的一种建模法。首先对需要检测的句子进行分词,通过规则记录对分词序列内的可疑字,并用进行混淆集替换,最后选择满足最短路径的边,确定最终的错误字,输出错误的位置。如果存在多条最短路径,则对所有最短路径序列进行词性标记与转换,利用RNN+N-gram模型,基于神经网络最大熵的原理,确定最终的错误字,输出错误的位置。
步骤六:计算得出最优候选结果。
该步骤六具体为:构建RNN+N-gram框架,采用RNN算法得到最优的一个候选句,并将其作为错字校对的最终结果。
得到最优候选句的原理为:RNN+N-gram模型可以看成二分类问题,通过大量的训练语料提取出特征值,并映射为一个n维向量,n是数据中所有特征的总数,且每个特征对应一个权重w。因为是二分类问题,把权重w设为n*2维的向量,随机初始化权重,并根据随机梯度下降法不断更新权重来确定最终的权重值。输出y是1*2维向量,代表替换是否合适。根据前向后向算法重复操作确定最终权重后,得到输出值y值,1*2维的数组(a,b),若a>=b,则是正向,可以做替换;若a<b,则是负向,表示不可以做替换。根据此模型二次赛选,最终确定最合适的错字替换字。
本实施例采用循环神经网络(RNN)算法得到最优的一个候选句,并将其作为错字校对的最终结果。避免了运用语言模型的高阶N-gram模型的稀疏性问题,而导致一些零条件概率结果产生,还有无法利用前文的更多信息等问题。
Claims (8)
1.一种中文拼写检查方法,其特征在于,包括如下步骤:
步骤一:构建分词模型,对待检测文本进行分词,得到分词序列;
步骤二:辨认分词序列中的可疑字,并对可疑字进行标记;
步骤四:建立混淆集;
步骤五:利用混淆集构建图模型框架生成纠正候选;
步骤六:计算得出最优候选结果。
2.如权利要求1所述的中文拼写检查方法,其特征在于,步骤一中,构建分词模型的具体方法为:
S1.1:预先选定Bi-LSTM模型;
S1.2:对语料进行处理,使用word2vec对语料的字进行嵌入,得到字嵌入;
S1.3:将字嵌入的特征喂给Bi-LSTM模型;
S1.4:在Bi-LSTM模型中加入线性层、CRF层,得到分词模型。
3.如权利要求1所述的中文拼写检查方法,其特征在于,步骤二中,辨认可疑字的具体方法为:将单个字构成的词定义为单字,如果分词序列出现连续的单字构成的单字串,则将单字串认定为可疑字。
4.如权利要求3所述的中文拼写检查方法,其特征在于,混淆集的数据格式是key-value格式,其中key为中文字或者中文词语,value为该中文字或中文词可能存在的错误形式。
5.如权利要求4所述的中文拼写检查方法,其特征在于,所述错误形式分为发音混淆、形状混淆;发音混淆包括相同读音、相同音节不同音调、相似音节相同音调、相似音节不同音调。
6.如权利要求1~5任一项所述的中文拼写检查方法,其特征在于,步骤五具体为:对分词序列内的可疑字进行混淆集替换,最后选择满足最短路径的边,确定最终的错误字,输出错误的位置。
7.如权利要求6所述的中文拼写检查方法,其特征在于,步骤五中,如果存在多条最短路径,则利用RNN+N-gram模型,确定最终的错误字,输出错误的位置。
8.如权利要求1或7所述的中文拼写检查方法,其特征在于,步骤六具体为:构建RNN+N-gram框架,采用RNN算法得到最优的一个候选句,并将其作为错字校对的最终结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910728950.9A CN110472243B (zh) | 2019-08-08 | 2019-08-08 | 一种中文拼写检查方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910728950.9A CN110472243B (zh) | 2019-08-08 | 2019-08-08 | 一种中文拼写检查方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110472243A true CN110472243A (zh) | 2019-11-19 |
CN110472243B CN110472243B (zh) | 2023-04-07 |
Family
ID=68511656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910728950.9A Active CN110472243B (zh) | 2019-08-08 | 2019-08-08 | 一种中文拼写检查方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472243B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753529A (zh) * | 2020-06-03 | 2020-10-09 | 杭州云嘉云计算有限公司 | 一种基于拼音相同或相似的中文文本纠错方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108519973A (zh) * | 2018-03-29 | 2018-09-11 | 广州视源电子科技股份有限公司 | 文字拼写的检测方法、系统、计算机设备及存储介质 |
CN108563632A (zh) * | 2018-03-29 | 2018-09-21 | 广州视源电子科技股份有限公司 | 文字拼写错误的修正方法、系统、计算机设备及存储介质 |
WO2019024050A1 (en) * | 2017-08-03 | 2019-02-07 | Lingochamp Information Technology (Shanghai) Co., Ltd. | CORRECTION OF GRAMMAR ERRORS BASED ON DEEP CONTEXT AND USING ARTIFICIAL NEURAL NETWORKS |
CN109800414A (zh) * | 2018-12-13 | 2019-05-24 | 科大讯飞股份有限公司 | 语病修正推荐方法及系统 |
-
2019
- 2019-08-08 CN CN201910728950.9A patent/CN110472243B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019024050A1 (en) * | 2017-08-03 | 2019-02-07 | Lingochamp Information Technology (Shanghai) Co., Ltd. | CORRECTION OF GRAMMAR ERRORS BASED ON DEEP CONTEXT AND USING ARTIFICIAL NEURAL NETWORKS |
CN108519973A (zh) * | 2018-03-29 | 2018-09-11 | 广州视源电子科技股份有限公司 | 文字拼写的检测方法、系统、计算机设备及存储介质 |
CN108563632A (zh) * | 2018-03-29 | 2018-09-21 | 广州视源电子科技股份有限公司 | 文字拼写错误的修正方法、系统、计算机设备及存储介质 |
CN109800414A (zh) * | 2018-12-13 | 2019-05-24 | 科大讯飞股份有限公司 | 语病修正推荐方法及系统 |
Non-Patent Citations (2)
Title |
---|
刘亮亮等: "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》 * |
郭浩等: "基于CNN和BiLSTM的短文本相似度计算方法", 《信息技术与网络安全》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753529A (zh) * | 2020-06-03 | 2020-10-09 | 杭州云嘉云计算有限公司 | 一种基于拼音相同或相似的中文文本纠错方法 |
CN111753529B (zh) * | 2020-06-03 | 2021-07-27 | 杭州云嘉云计算有限公司 | 一种基于拼音相同或相似的中文文本纠错方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110472243B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11631007B2 (en) | Method and device for text-enhanced knowledge graph joint representation learning | |
CN110096570B (zh) | 一种应用于智能客服机器人的意图识别方法及装置 | |
CN114610515B (zh) | 基于日志全语义的多特征日志异常检测方法及系统 | |
CN111931506B (zh) | 一种基于图信息增强的实体关系抽取方法 | |
CN112183094B (zh) | 一种基于多元文本特征的中文语法查错方法及系统 | |
Hämäläinen et al. | From the paft to the fiiture: a fully automatic NMT and word embeddings method for OCR post-correction | |
CN113312501A (zh) | 基于知识图谱的安全知识自助查询系统的构建方法及装置 | |
CN103678684A (zh) | 一种基于导航信息检索的中文分词方法 | |
CN106777957B (zh) | 不平衡数据集上生物医学多参事件抽取的新方法 | |
CN113157859B (zh) | 一种基于上位概念信息的事件检测方法 | |
CN110222250B (zh) | 一种面向微博的突发事件触发词识别方法 | |
CN113742733B (zh) | 阅读理解漏洞事件触发词抽取和漏洞类型识别方法及装置 | |
CN111274804A (zh) | 基于命名实体识别的案件信息提取方法 | |
CN115357719B (zh) | 基于改进bert模型的电力审计文本分类方法及装置 | |
CN107526721B (zh) | 一种对电商产品评论词汇的歧义消除方法及装置 | |
CN114282527A (zh) | 多语言文本检测与纠错方法、系统、电子设备及存储介质 | |
CN113312922B (zh) | 一种改进的篇章级三元组信息抽取方法 | |
CN109145287A (zh) | 印尼语单词检错纠错方法及系统 | |
CN109325125B (zh) | 一种基于cnn优化的社交网络谣言检测方法 | |
CN110008699A (zh) | 一种基于神经网络的软件漏洞检测方法及装置 | |
CN110134950A (zh) | 一种字词结合的文本自动校对方法 | |
CN114997288A (zh) | 一种设计资源关联方法 | |
CN116484024A (zh) | 一种基于知识图谱的多层次知识库构建方法 | |
CN104572632A (zh) | 一种确定具有专名译文的词汇的翻译方向的方法 | |
CN110472243A (zh) | 一种中文拼写检查方法 |
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 |