CN112988962A - 文本纠错方法、装置、电子设备及存储介质 - Google Patents
文本纠错方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112988962A CN112988962A CN202110189443.XA CN202110189443A CN112988962A CN 112988962 A CN112988962 A CN 112988962A CN 202110189443 A CN202110189443 A CN 202110189443A CN 112988962 A CN112988962 A CN 112988962A
- Authority
- CN
- China
- Prior art keywords
- word
- character
- sentence
- extension
- text
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012937 correction Methods 0.000 title claims abstract description 38
- 238000012216 screening Methods 0.000 claims abstract description 22
- 201000010099 disease Diseases 0.000 claims abstract description 21
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005215 recombination Methods 0.000 claims description 4
- 230000006798 recombination Effects 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 2
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 238000006467 substitution reaction Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000692 anti-sense effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 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
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F40/30—Semantic analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及自然语言处理的技术领域,揭露了一种文本纠错方法,包括:分析文本中在每个字符位置上的扩展字及输出概率,得到扩展字集,判断句子中对应位置的字符是否为错别字;计算每个扩展字的替换概率,并根据替换概率筛选得到病句中每个字符对应的候选字集;将相邻字符对应的候选字集进行组合,得到字序列,当字序列标准词表中时,将字序列存储至词组集;利用词组集及候选字集,构建词网格,查询每条路径上的字词组合语句,选择最优语句,利用最优语句替换病句。本发明还涉及区块链技术,所述标准词表可存储于区块链节点中。本发明还提出了文本纠错装置、设备及计算机可读存储介质。本发明目的提供一种能够增加文本纠错结果的准确性的方法。
Description
技术领域
本发明涉及自然语言处理技术领域,尤其涉及一种文本纠错方法、装置、电子设备及计算机可读存储介质。
背景技术
文本纠错是指对文本中出现错误的内容进行纠正的过程。文本纠错处理在自然语言处理中占据越来越大的比重,中文为例,近年来,有通过深度学习的方法来解决中文文本纠错问题,但过程中需要语言学家参与制定人工定义的规则与混淆集,扩展性不高,常常只能处理单个字的错误,无法处理连在一起的字的错误。
发明内容
本发明提供一种文本纠错方法、装置、电子设备及计算机可读存储介质,目的在于在提供一种能够提高文本纠错结果的准确性的方案。
为实现上述目的,本发明提供的一种文本纠错方法,包括:
利用预先训练的字符扩展模型对用户输入的文本进行分析,得到所述文本中每个字符位置上的扩展字及各个扩展字的输出概率,根据所述输出概率对所述扩展字进行筛选,得到扩展字集,根据所述扩展字集,判断所述文本中对应位置的字符是否为错别字,并提取有错别字的句子,得到病句;
计算得到所述扩展字集中每个扩展字的替换概率,并根据所述替换概率从所述扩展字集中筛选得到所述病句中每个字符对应的候选字集;
将所述病句中相邻字符对应的候选字集进行组合,得到字序列,当所述字序列在预构建的标准词表中时,将所述字序列存储至预设的词组集中;
利用所述词组集及所述候选字集,构建词网格,查询所述词网格中每条路径上的字词组合语句,从所述字词组合语句中选择最优语句,利用所述最优语句替换所述病句。
可选的,所述利用预先训练的字符扩展模型对用户输入的文本进行分析,得到所述文本中在每个字符位置上的扩展字及各个扩展字的输出概率之前,所述方法还包括:
步骤I、构建包含层线性激活层及字符提取网络的字符扩展模型;
步骤II、获取预构建的分词样本集及训练标签集,并利用所述字符提取网络对所述分词样本集进行文本提取,得到特征序列训练集;
步骤III、利用所述多层线性激活层对所述特征序列训练集执行激活操作,得到预测序列集;
步骤IV、根据所述训练标签集计算所述预测序列集的误差值,并判断所述误差值与预设的误差阈值的大小关系;
步骤V、若所述误差值大于所述误差阈值,则调整所述待训练字符扩展模型的内部参数,并返回所述步骤II,直到所述误差值小于或等于所述误差阈值时,得到训练完成的字符扩展模型。
可选的,所述利用预先训练的字符扩展模型对用户输入的文本进行分析,得到所述文本中在每个字符位置上的扩展字及各个扩展字的输出概率,包括:
将所述文本中的每个句子拆分为单个字集合,依次提取所述单个字集合中的单个字;
利用所述字符扩展模型根据提取的所述单个字前后的剩余语句推断得到提取的所述单个字的替换结果,其中,所述替换结果包括扩展字及所述扩展字对应的输出概率。
可选的,所述根据所述输出概率对所述扩展字进行筛选,得到扩展字集,包括:
根据预设概率阈值,判断所述输出概率是否大于所述概率阈值;
保留大于所述概率阈值的输出概率对应的扩展字,构成扩展字集。
可选的,所述根据所述扩展字集,判断所述句子中对应位置的字符是否为错别字,包括:
判断所述句子中的字符是否在对应字符位置的扩展字集中;
当所述句子中的字在对应字符位置的扩展字集中时,判断所述字符不是错别字;
当所述句子中的字符不在对应字符位置的扩展字集中时,判断所述字符是错别字。
可选的,所述计算得到所述扩展字集中每个扩展字的替换概率,并根据所述替换概率从所述扩展字集中筛选得到所述病句中每个字符对应的候选字集,包括:
利用编辑距离算法,计算所述扩展字与所述病句中对应字符之间的形近概率及音近概率,根据所述输出概率、所述形近概率及所述音近概率计算得到所述扩展字的替换概率:
根据所述替换概率的大小及预设阈值,筛选所述替换概率大于所述预设阈值的扩展字,得到所述病句中每个字符对应的候选字集。
可选的,所述利用所述词组集及所述候选字集,构建词网格,查询所述词网格中每条路径上的字词组合语句,从所述字词组合语句中选择最优语句,包括:
根据所述病句中各个字符的顺序,将每个字符对应的词组集及替换候选字集作为节点,并连接所述节点中的相邻节点,得到词网格;
将所述词网格中各个路径上的节点进行顺序排列,得到字词组合语句;
利用预构建的查询工具,分析所述字词组合语句的通顺度及语意,对比查询所述字词组合语句中的最优语句。
为了解决上述问题,本发明还提供一种文本纠错装置,所述装置包括:
病句判断模块,用于利用预先训练的字符扩展模型对用户输入的文本进行分析,得到所述文本中每个字符位置上的扩展字及各个扩展字的输出概率,根据所述输出概率对所述扩展字进行筛选,得到扩展字集,根据所述扩展字集,判断所述文本中对应位置的字符是否为错别字,并提取有错别字的句子,得到病句;
概率计算模块,用于计算得到所述扩展字集中每个扩展字的替换概率,并根据所述替换概率从所述扩展字集中筛选得到所述病句中每个字符对应的候选字集;
病句重组模块,用于将所述病句中相邻字符对应的候选字集进行组合,得到字序列,当所述字序列在预构建的标准词表中时,将所述字序列存储至预设的词组集中;
最优语句查询模块,用于利用所述词组集及所述候选字集,构建词网格,查询所述词网格中每条路径上的字词组合语句,从所述字词组合语句中选择最优语句,利用所述最优语句替换所述病句。
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:
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指令,所述计算机程序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上述所述的文本纠错方法。
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,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现上述所述的文本纠错方法。
本发明实施例利用预训练的字符扩展模型,通过判断出文本中每个字符位置上的扩展字,能够判断所述文本中的病句;将病句中各字符位置上的候选字集进行组合匹配,得到词组,可以将字与字之间进行连接,得到词组集;根据词组集合重新进行语句划分,得到各个版本的语句集合,将病句拆分出多种解读方式,涵盖各种错误可能,利用预构建的查询工具,从所述语句集合中查询最优解,增加解读效率及准确性,得到改正句子。因此,本发明实施例提出的文本纠错方法、装置、电子设备及存储介质能够提高文本纠错结果的准确性。
附图说明
图1为本发明一实施例提供的文本纠错方法的流程示意图;
图2为本发明一实施例提供的文本纠错装置的模块示意图;
图3为本发明一实施例提供的实现文本纠错方法的电子设备的内部结构示意图;
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。
本申请实施例提供一种文本纠错方法。所述文本纠错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申请实施例提供的该方法的电子设备中的至少一种。换言之,所述文本纠错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。
参照图1所示,为本发明一实施例提供的文本纠错方法的流程示意图。在本实施例中,所述文本纠错方法包括:
S1、利用预先训练的字符扩展模型对用户输入的文本进行分析,得到所述文本中在每个字符位置上的扩展字及各个扩展字的输出概率,根据所述输出概率对所述扩展字进行筛选,得到扩展字集,根据所述扩展字集,判断所述文本中对应位置的字符是否为错别字,并提取有错别字的句子,得到病句。
本发明实施例中所述字符扩展模型是一种根据句子前后语义判断所述句子中的字符还可以被哪些字符代替的神经网络模型。所述神经网络模型可以为Bert神经网络模型,其中,所述Bert神经网络为自然语言处理中常用的文字分类网络。本发明实施例利用中文训练集对Bert神经网络的微调,使得所述Bert神经网络更适合中文语义环境的处理,得到所述中文字符扩展模型。
详细地,本发明实施例中,所述利用预先训练的字符扩展模型对用户输入的文本进行分析,得到所述文本中每个字符位置上的扩展字及各个扩展字的输出概率,包括:
将所述文本中的每个句子拆分为单个字集合,依次提取所述单个字集合中的单个字;
利用所述字符扩展模型根据提取的所述单个字前后的剩余语句推断得到提取的所述单个字的替换结果,其中,所述替换结果包括扩展字及所述扩展字对应的输出概率。
例如,本发明实施例从句子“我家书柜倒了”中提取出“我”字作为单个字,则根据语句“()家书柜倒了”的剩余语句,可以判断出所述单个字的替换结果可以为“你,0.5”、“他,0.5”等,进一步地,提取出“柜”字作为单个字,则根据语句“我家书()倒了”的剩余语句,可以判断出所述单个字的替换结果可以为“架,0.3”、“房,0.6”、“签,0.5”等,得到替换结果为[“我”:“你,0.5”、“他,0.5”,……,“柜”:“架,0.3”、“房,0.6”、“签,0.5”……]。
详细地,本发明实施例中,所述根据所述输出概率对所述扩展字进行筛选,得到扩展字集,包括:
根据预设概率阈值,判断所述输出概率是否大于所述概率阈值;
保留大于所述概率阈值的输出概率对应的扩展字,构成扩展字集。
本发明实施例设置所述概率阈值为0.5,则筛选得到大概率的扩展字集为[“我”:“你,0.5”、“他,0.5”,……,“柜”:“房,0.6”、“签,0.5”……]。
进一步地,本发明实施例中,所述根据所述扩展字集,判断所述句子中对应位置的字符是否为错别字,包括:
判断所述句子中的字符是否在对应字符位置的扩展字集中;
当所述句子中的字在对应字符位置的扩展字集中时,判断所述字符不是错别字;
当所述句子中的字符不在对应字符位置的扩展字集中时,判断所述字符是错别字。
本发明实施例利用所述字符扩展模型分析所述用户输入的语句,根据指定位置的前后词义,判断所述指定位置可以有哪些字可以替换,得到候选字集,其中扩展字集中每一个扩展字有对应的输出概率,并按照所述输出概率排列所述扩展字,保留所述大概率的扩展字集,当指定位置上的字在所述大概率的扩展字集中,则不是错别字,反之,所述句子为病句。
进一步的,本发明实施例中,所述S1之前,还可以包括:
步骤I、构建包含层线性激活层及字符提取网络的字符扩展模型。
本发明构建线性激活层帮助所述符扩展模型进行模型训练,其中所述线性激活层包括归一化和激活函数,所述激活函数可使用高斯分布函数。
步骤II、获取预构建的分词样本集及训练标签集,并利用所述字符提取网络对所述分词样本集进行文本提取,得到特征序列训练集。
本发明实施例中,所述分词样本集及所述训练标签集为国际计算语言学会(ACL)汉语小组(SIGHAN)提供的训练集,其中包含了各种常见有替换关系的中文字词。其中,字符的替换关系有形近替换及音近替换两种形式,例如“午”可以形近替换为“牛”,“贵”可音近替换为“柜”。本发明实施例中所述训练序列训练集为:“我们家书贵到了”,其中所述训练标签集为:“贵”字应为“柜”字。
步骤III、利用所述多层线性激活层对所述特征序列训练集执行激活操作,得到预测序列集。
根据所述多层线性激活层将“我”字替换为[我,哦……],“们”字替换为[门,俩……],……“贵”替换为[柜,跪……]等。得到的所述预测序列集为[我们家书柜到了,我门家属贵到了、哦俩嫁树跪到子……]。
步骤IV、根据所述训练标签集计算计算所述预测序列集的误差值,并判断所述误差值与预设的误差阈值的大小关系;
步骤V若所述误差值大于所述误差阈值,则调整所述待训练字符扩展模型的内部参数,并返回所述步骤II,直到所述误差值小于或等于所述误差阈值时,得到训练完成的字符扩展模型。
S2、计算得到所述扩展字集中每个扩展字的替换概率,并根据所述替换概率从所述扩展字集中筛选得到所述病句中每个字符对应的候选字集。
详细地,本发明实施例中,所述S2,包括:
利用编辑距离算法,计算所述扩展字集与所述病句中对应字符之间的形近概率及音近概率,根据所述输出概率、所述形近概率及所述音近概率计算得到所述扩展字的替换概率:
根据所述替换概率的大小及预设阈值,筛选所述替换概率大于所述预设阈值的扩展字,得到所述病句中每个字符对应的候选字集。
本发明实施例中所述替换概率等于【输出概率+音近概率+形近概率】。其中所述音近概率及所述形近概率可通过编辑距离计算得到。其中,所述编辑距离也叫莱文斯坦距离(Levenshtein),所述编辑距离算法是针对二个字符串(例如英文字)的差异程度的量化量测。所述形近概率将所述候选字的笔画进行拆分量化,而音近概率是将所述候选字的拼音拆分量化。例如“田”与“由”,“午”与“牛”具有相同的笔画及笔画顺序,因此,形近概率较大,“式”与“试”具有相同的拼音,因此音近概率较大。
本发明实施例根据所述替换概率从大到小的顺序对所述扩展字集进行排序,得到预设数量的候选字集。
S3、将所述病句中相邻字符对应的候选字集进行组合,得到字序列,当所述字序列在预构建的标准词表中时,将所述字序列存储至预设的词组集中。
本发明实施例根据所述病句“我们家书柜到了”中,“我”的候选字集为[我,哦……],“们”的候选字集为[门,俩……],“家”的候选字集为[佳,嫁……]等,彼此匹配得到[我们、哦门、门家、家书、书柜、树贵……]的字序列,其中能够在预构建的标准词表中查询得到的词组集为[我们,家书,书柜,跪到……]。
本发明实施例中,所述标准词表可以为一种由国际计算语言学会(ACL)汉语小组(SIGHAN)提供的包含近义词、反义词、常用词、流行语等语料的词表。本发明其中一个实施例中,所述标准词表可以存储于区块链节点中。
S4、利用所述词组集及所述候选字集,构建词网格,查询所述词网格中每条路径上的字词组合语句,从所述字词组合语句中选择最优语句,利用所述最优语句替换所述病句。
详细地,本发明实施例中,所述S4,包括:
根据所述病句中各个字符的顺序,将每个字符对应的词组集及替换候选字集作为节点,并连接所述节点中的相邻节点,得到词网格;
将所述词网格中各个路径上的节点进行顺序排列,得到字词组合语句;
利用预构建的查询工具,分析所述字词组合语句的通顺度及语意,对比查询所述字词组合语句中的最优语句。
本发明实施例中,根据所述病句中各字的位置进行排列,再将各个词组集及候选字集构建词网格,沿着所述词网格的连接路线,构建字词组合语句,得到所述字词组合语句集合,利用预构建的查询工具beam search搜索所述字词组合语句集合中的每个字词组合语句,得到最优解的字词组合语句即所述改正句子。
本发明实施例利用预训练的字符扩展模型,通过判断出文本中每个字符位置上的扩展字,能够判断所述文本中的病句;将病句中各字符位置上的候选字集进行组合匹配,得到词组,可以将字与字之间进行连接,得到词组集;根据词组集合重新进行语句划分,得到各个版本的语句集合,将病句拆分出多种解读方式,涵盖各种错误可能,利用预构建的查询工具,从所述语句集合中查询最优解,得到改正句子,增加解读效率及准确性。
如图2所示,是本发明文本纠错装置的模块示意图。
本发明所述文本纠错装置100可以安装于电子设备中。根据实现的功能,所述文本纠错装置100可以被划分为病句判断模块101、概率计算模块102、病句重组模块103、最优语句查询模块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:
所述病句判断模块101,用于利用预先训练的字符扩展模型对用户输入的文本进行分析,得到所述文本中每个字符位置上的扩展字及各个扩展字的输出概率,根据所述输出概率对所述扩展字进行筛选,得到扩展字集,根据所述扩展字集,判断所述文本中对应位置的字符是否为错别字,并提取有错别字的句子,得到病句;
所述概率计算模块102,用于计算得到所述扩展字集中每个扩展字的替换概率,并根据所述替换概率从所述扩展字集中筛选得到所述病句中每个字符对应的候选字集;
所述病句重组模块103,用于将所述病句中相邻字符对应的候选字集进行组合,得到字序列,当所述字序列在预构建的标准词表中时,将所述字序列存储至预设的词组集中;
所述最优语句查询模块104,用于利用所述词组集及所述候选字集,构建词网格,查询所述词网格中每条路径上的字词组合语句,从所述字词组合语句中选择最优语句,利用所述最优语句替换所述病句。
本发明实施例中,所述文本纠错装置100中的各个模块在由电子设备的处理器所执行时,可以实现如上述图1所述的文本纠错方法,并产生相同的效果,这里不再赘述。
如图3所示,是本发明实现文本纠错方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,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,如文本纠错程序12。
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1的内部存储单元,例如该电子设备1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1的外部存储设备,例如电子设备1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1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1的应用软件及各类数据,例如文本纠错程序12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(例如执行文本纠错程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线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。该总线可以分为地址总线、数据总线、控制总线等。所述总线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3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3示出的结构并不构成对所述电子设备1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1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1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1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1与其他电子设备之间建立通信连接。
可选地,该电子设备1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1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1中的所述存储器11存储的文本纠错程序12是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
利用预先训练的字符扩展模型对用户输入的文本进行分析,得到所述文本中每个字符位置上的扩展字及各个扩展字的输出概率,根据所述输出概率对所述扩展字进行筛选,得到扩展字集,根据所述扩展字集,判断所述句子中对应位置的字符是否为错别字,并提取有错别字的句子,得到病句;
计算得到所述扩展字集中每个扩展字的替换概率,并根据所述替换概率从所述扩展字集中筛选得到所述病句中每个字符对应的候选字集;
将所述病句中相邻字符对应的候选字集进行组合,得到字序列,当所述字序列在预构建的标准词表中时,将所述字序列存储至预设的词组集中;
利用所述词组集及所述候选字集,构建词网格,查询所述词网格中每条路径上的字词组合语句,从所述字词组合语句中选择最优语句,利用所述最优语句替换所述病句。
进一步地,所述电子设备1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取存储介质中。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)。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
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:
利用预先训练的字符扩展模型对用户输入的文本进行分析,得到所述文本中每个字符位置上的扩展字及各个扩展字的输出概率,根据所述输出概率对所述扩展字进行筛选,得到扩展字集,根据所述扩展字集,判断所述句子中对应位置的字符是否为错别字,并提取有错别字的句子,得到病句;
计算得到所述扩展字集中每个扩展字的替换概率,并根据所述替换概率从所述扩展字集中筛选得到所述病句中每个字符对应的候选字集;
将所述病句中相邻字符对应的候选字集进行组合,得到字序列,当所述字序列在预构建的标准词表中时,将所述字序列存储至预设的词组集中;
利用所述词组集及所述候选字集,构建词网格,查询所述词网格中每条路径上的字词组合语句,从所述字词组合语句中选择最优语句,利用所述最优语句替换所述病句。
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表记视为限制所涉及的权利要求。
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。系统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 (10)
1.一种文本纠错方法,其特征在于,所述方法包括:
利用预先训练的字符扩展模型对用户输入的文本进行分析,得到所述文本中每个字符位置上的扩展字及各个扩展字的输出概率,根据所述输出概率对所述扩展字进行筛选,得到扩展字集,根据所述扩展字集,判断所述文本中对应位置的字符是否为错别字,并提取有错别字的句子,得到病句;
计算得到所述扩展字集中每个扩展字的替换概率,并根据所述替换概率从所述扩展字集中筛选得到所述病句中每个字符对应的候选字集;
将所述病句中相邻字符对应的候选字集进行组合,得到字序列,当所述字序列在预构建的标准词表中时,将所述字序列存储至预设的词组集中;
利用所述词组集及所述候选字集,构建词网格,查询所述词网格中每条路径上的字词组合语句,从所述字词组合语句中选择最优语句,利用所述最优语句替换所述病句。
2.如权利要求1所述的文本纠错方法,其特征在于,所述利用预先训练的字符扩展模型对用户输入的文本进行分析,得到所述文本中在每个字符位置上的扩展字及各个扩展字的输出概率之前,所述方法还包括:
步骤I、构建包含层线性激活层及字符提取网络的字符扩展模型;
步骤II、获取预构建的分词样本集及训练标签集,并利用所述字符提取网络对所述分词样本集进行文本提取,得到特征序列训练集;
步骤III、利用所述多层线性激活层对所述特征序列训练集执行激活操作,得到预测序列集;
步骤IV、根据所述训练标签集计算所述预测序列集的误差值,并判断所述误差值与预设的误差阈值的大小关系;
步骤V、若所述误差值大于所述误差阈值,则调整所述待训练字符扩展模型的内部参数,并返回所述步骤II,直到所述误差值小于或等于所述误差阈值时,得到训练完成的字符扩展模型。
3.如权利要求1所述的文本纠错方法,其特征在于,所述利用预先训练的字符扩展模型对用户输入的文本进行分析,得到所述文本中每个字符位置上的扩展字及各个扩展字的输出概率,包括:
将所述文本中每个句子拆分为单个字集合,依次提取所述单个字集合中的单个字;
利用所述字符扩展模型根据提取的所述单个字前后的剩余语句推断得到提取的所述单个字的替换结果,其中,所述替换结果包括扩展字及所述扩展字对应的输出概率。
4.如权利要求1所述的文本纠错方法,其特征在于,所述根据所述输出概率对所述扩展字进行筛选,得到扩展字集,包括:
根据预设概率阈值,判断所述输出概率是否大于所述概率阈值;
保留大于所述概率阈值的输出概率对应的扩展字,构成扩展字集。
5.如权利要求1至4中任意一项所述的文本纠错方法,其特征在于,所述根据所述扩展字集,判断所述文本中对应位置的字符是否为错别字,包括:
判断所述句子中的字符是否在对应字符位置的扩展字集中;
当所述句子中的字在对应字符位置的扩展字集中时,判断所述字符不是错别字;
当所述句子中的字符不在对应字符位置的扩展字集中时,判断所述字符是错别字。
6.如权利要求1至4中任意一项所述的文本纠错方法,其特征在于,所述计算得到所述扩展字集中每个扩展字的替换概率,并根据所述替换概率从所述扩展字集中筛选得到所述病句中每个字符对应的候选字集,包括:
利用编辑距离算法,计算所述扩展字与所述病句中对应字符之间的形近概率及音近概率,根据所述输出概率、所述形近概率及所述音近概率计算得到所述扩展字的替换概率:
根据所述替换概率的大小及预设阈值,筛选所述替换概率大于所述预设阈值的扩展字,得到所述病句中每个字符对应的候选字集。
7.如权利要求1至4中任意一项所述的文本纠错方法,其特征在于,所述利用所述词组集及所述候选字集,构建词网格,查询所述词网格中每条路径上的字词组合语句,从所述字词组合语句中选择最优语句,包括:
根据所述病句中各个字符的顺序,将每个字符对应的词组集及替换候选字集作为节点,并连接所述节点中的相邻节点,得到词网格;
将所述词网格中各个路径上的节点进行顺序排列,得到字词组合语句;
利用预构建的查询工具,分析所述字词组合语句的通顺度及语意,对比查询所述字词组合语句中的最优语句。
8.一种文本纠错装置,其特征在于,所述装置包括:
病句判断模块,用于利用预先训练的字符扩展模型对用户输入的文本进行分析,得到所述文本中每个字符位置上的扩展字及各个扩展字的输出概率,根据所述输出概率对所述扩展字进行筛选,得到扩展字集,根据所述扩展字集,判断所述文本中对应位置的字符是否为错别字,并提取有错别字的句子,得到病句;
概率计算模块,用于计算得到所述扩展字集中每个扩展字的替换概率,并根据所述替换概率从所述扩展字集中筛选得到所述病句中每个字符对应的候选字集;
病句重组模块,用于将所述病句中相邻字符对应的候选字集进行组合,得到字序列,当所述字序列在预构建的标准词表中时,将所述字序列存储至预设的词组集中;
最优语句查询模块,用于利用所述词组集及所述候选字集,构建词网格,查询所述词网格中每条路径上的字词组合语句,从所述字词组合语句中选择最优语句,利用所述最优语句替换所述病句。
9.一种电子设备,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指令,所述计算机程序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如权利要求1至7中任一项所述文本纠错方法。
10.一种计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;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至7中任一项所述的文本纠错方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110189443.XA CN112988962B (zh) | 2021-02-19 | 2021-02-19 | 文本纠错方法、装置、电子设备及存储介质 |
PCT/CN2021/083709 WO2022174495A1 (zh) | 2021-02-19 | 2021-03-30 | 文本纠错方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110189443.XA CN112988962B (zh) | 2021-02-19 | 2021-02-19 | 文本纠错方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112988962A true CN112988962A (zh) | 2021-06-18 |
CN112988962B CN112988962B (zh) | 2024-05-28 |
Family
ID=76393474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110189443.XA Active CN112988962B (zh) | 2021-02-19 | 2021-02-19 | 文本纠错方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112988962B (zh) |
WO (1) | WO2022174495A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023116572A1 (zh) * | 2021-12-21 | 2023-06-29 | 华为技术有限公司 | 一种词句生成方法及相关设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6401060B1 (en) * | 1998-06-25 | 2002-06-04 | Microsoft Corporation | Method for typographical detection and replacement in Japanese text |
CN110262672A (zh) * | 2019-06-18 | 2019-09-20 | 北京字节跳动网络技术有限公司 | 建议候选列表生成方法及装置 |
CN110807319A (zh) * | 2019-10-31 | 2020-02-18 | 北京奇艺世纪科技有限公司 | 一种文本内容检测方法、检测装置、电子设备及存储介质 |
CN111611791A (zh) * | 2020-04-27 | 2020-09-01 | 鼎富智能科技有限公司 | 一种文本处理的方法及相关装置 |
CN111639489A (zh) * | 2020-05-15 | 2020-09-08 | 民生科技有限责任公司 | 中文文本纠错系统、方法、装置及计算机可读存储介质 |
CN112016304A (zh) * | 2020-09-03 | 2020-12-01 | 平安科技(深圳)有限公司 | 文本纠错方法、装置、电子设备及存储介质 |
CN112100388A (zh) * | 2020-11-18 | 2020-12-18 | 南京华苏科技有限公司 | 一种长文本新闻舆情的情感极性的分析方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140214401A1 (en) * | 2013-01-29 | 2014-07-31 | Tencent Technology (Shenzhen) Company Limited | Method and device for error correction model training and text error correction |
CN111832278B (zh) * | 2020-06-15 | 2024-02-09 | 北京百度网讯科技有限公司 | 文档流畅度的检测方法、装置、电子设备及介质 |
CN112101010B (zh) * | 2020-11-23 | 2021-02-09 | 中博信息技术研究院有限公司 | 一种基于bert的电信行业oa办公自动化文稿审核的方法 |
-
2021
- 2021-02-19 CN CN202110189443.XA patent/CN112988962B/zh active Active
- 2021-03-30 WO PCT/CN2021/083709 patent/WO2022174495A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6401060B1 (en) * | 1998-06-25 | 2002-06-04 | Microsoft Corporation | Method for typographical detection and replacement in Japanese text |
CN110262672A (zh) * | 2019-06-18 | 2019-09-20 | 北京字节跳动网络技术有限公司 | 建议候选列表生成方法及装置 |
CN110807319A (zh) * | 2019-10-31 | 2020-02-18 | 北京奇艺世纪科技有限公司 | 一种文本内容检测方法、检测装置、电子设备及存储介质 |
CN111611791A (zh) * | 2020-04-27 | 2020-09-01 | 鼎富智能科技有限公司 | 一种文本处理的方法及相关装置 |
CN111639489A (zh) * | 2020-05-15 | 2020-09-08 | 民生科技有限责任公司 | 中文文本纠错系统、方法、装置及计算机可读存储介质 |
CN112016304A (zh) * | 2020-09-03 | 2020-12-01 | 平安科技(深圳)有限公司 | 文本纠错方法、装置、电子设备及存储介质 |
CN112100388A (zh) * | 2020-11-18 | 2020-12-18 | 南京华苏科技有限公司 | 一种长文本新闻舆情的情感极性的分析方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023116572A1 (zh) * | 2021-12-21 | 2023-06-29 | 华为技术有限公司 | 一种词句生成方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112988962B (zh) | 2024-05-28 |
WO2022174495A1 (zh) | 2022-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108287858B (zh) | 自然语言的语义提取方法及装置 | |
CN112016304A (zh) | 文本纠错方法、装置、电子设备及存储介质 | |
CN108804423B (zh) | 医疗文本特征提取与自动匹配方法和系统 | |
CN109933656A (zh) | 舆情极性预测方法、装置、计算机设备及存储介质 | |
CN113704429A (zh) | 基于半监督学习的意图识别方法、装置、设备及介质 | |
CN113378970B (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
CN113033198B (zh) | 相似文本推送方法、装置、电子设备及计算机存储介质 | |
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 | |
CN113360654A (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN113420546A (zh) | 文本纠错方法、装置、电子设备及可读存储介质 | |
CN112667775A (zh) | 基于关键词提示的检索方法、装置、电子设备及存储介质 | |
CN111475645A (zh) | 知识点标注方法、装置及计算机可读存储介质 | |
CN112988962B (zh) | 文本纠错方法、装置、电子设备及存储介质 | |
CN113344125A (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
CN112989043A (zh) | 指代消解方法、装置、电子设备及可读存储介质 | |
CN112632264A (zh) | 智能问答方法、装置、电子设备及存储介质 | |
CN109300550B (zh) | 医学数据关系挖掘方法及装置 | |
CN113420542B (zh) | 对话生成方法、装置、电子设备及存储介质 | |
CN112069322B (zh) | 文本多标签分析方法、装置、电子设备及存储介质 | |
CN115146064A (zh) | 意图识别模型优化方法、装置、设备及存储介质 | |
CN113962215A (zh) | 基于人工智能的文本纠错方法、装置、设备及存储介质 | |
CN112287676A (zh) | 新词发现方法、装置、电子设备及介质 | |
CN113419951A (zh) | 人工智能模型优化方法、装置、电子设备及存储介质 | |
CN113782001B (zh) | 一种特定领域语音识别方法、装置、电子设备及存储介质 | |
CN111680513B (zh) | 特征信息的识别方法、装置及计算机可读存储介质 |
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 |