CN114118066A - 专有名词纠错方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种由计算机实现的专有名词纠错方法，涉及自然语言处理，尤其涉及专有名词的识别。实现方案为：基于第一文本内容获取多个候选分词；响应于确定多个候选分词中的第一候选分词与预设的专有名词库中的第一专有名词相匹配，通过将第一文本内容中的第一候选分词替换为特定标识符而生成第二文本内容；基于第一文本内容和第二文本内容，确定是否替换第一候选分词；以及响应于确定替换第一候选分词，将第一文本内容中的第一候选分词替换为第一专有名词。

Description

专有名词纠错方法、装置、电子设备及存储介质

技术领域

本公开涉及自然语言处理，尤其涉及专有名词的识别，具体涉及一种由计算机实现的专有名词纠错方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

专有名词(Named Entity，简称“专名”)纠错是指对文本中出现的错误的专有名词，例如人名、机构名、地名等，进行纠正的过程。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种由计算机实现的专有名词纠错的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种由计算机实现的专有名词纠错方法，所述方法包括：基于第一文本内容获取多个候选分词；响应于确定所述多个候选分词中的第一候选分词与预设的专有名词库中的第一专有名词相匹配，通过将所述第一文本内容中的所述第一候选分词替换为特定标识符而生成第二文本内容；基于所述第一文本内容和所述第二文本内容，确定是否替换所述第一候选分词；以及响应于确定替换所述第一候选分词，将所述第一文本内容中的所述第一候选分词替换为所述第一专有名词。

根据本公开的另一方面，提供了一种专有名词纠错模型的训练方法，所述方法包括：获取样本数据集，其中，所述样本数据集中的每个样本数据包括第一文本内容、第二文本内容以及标签，并且其中，所述第二文本内容是通过将所述第一文本内容中的第一分词替换为特定标识符而生成的；初始化所述纠错模型的多个参数；以及对于每个样本数据，执行如下操作：将所述第一文本内容和所述第二文本内容输入到所述纠错模型，以得到输出值，所述输出值表征所述第一分词是预设的专有名词的概率；基于所述输出值和与该样本数据对应的标签，计算损失函数；以及基于所述损失函数调整所述纠错模型中的多个参数。

根据本公开的另一方面，提供了一种专有名词纠错装置，所述装置包括：候选分词获取单元，被设置为基于第一文本内容获取多个候选分词；文本生成单元，被设置为响应于确定所述多个候选分词中的第一候选分词与预设的专有名词库中的第一专有名词相匹配，通过将所述第一文本内容中的所述第一候选分词替换为特定标识符而生成第二文本内容；判断单元，被设置为基于所述第一文本内容和所述第二文本内容，确定是否替换所述第一候选分词；以及替换单元，被设置为响应于确定替换所述第一候选分词，将所述第一文本内容中的所述第一候选分词替换为所述第一专有名词。

根据本公开的另一方面，提供了一种专有名词纠错模型的训练装置，所述装置包括：获取样本单元，被设置为获取样本数据集，其中，所述样本数据集中的每个样本数据包括第一文本内容、第二文本内容以及标签，并且其中，所述第二文本内容是通过将所述第一文本内容中的第一分词替换为特定标识符而生成的；初始化单元，被设置为初始化所述纠错模型的多个参数；输入单元，被配置为将所述第一文本内容和所述第二文本内容输入到所述纠错模型，以得到输出值，所述输出值表征所述第一分词是预设的专有名词的概率；损失函数计算单元，被配置为基于所述输出值和与该样本数据对应的标签，计算损失函数；以及参数更新单元，被配置为基于所述损失函数调整所述纠错模型中的多个参数。

根据本公开的一个或多个实施例，能够提高专名纠错的效率以及准确率。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的由计算机实现的专有名词纠错方法的流程图；

图3示出了根据本公开的实施例的对文本进行专名纠错的一个示例；

图4示出了根据本公开的实施例的专有名词纠错模型的训练方法的流程图；

图5示出了根据本公开的实施例的专有名词纠错装置的框图；

图6示出了根据本公开的实施例的专有名词纠错模型的训练装置的框图；

图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行专有名词纠错方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来实现专有名词纠错的功能，例如接收和/或发送可能需要专有名词纠错处理的输入数据。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

图2是示出根据本公开示例性实施例的专有名词纠错方法流程图。

如图2所示，该方法包括：步骤S201、基于第一文本内容获取多个候选分词；步骤S202、响应于确定所述多个候选分词中的第一候选分词与预设的专有名词库中的第一专有名词相匹配，通过将所述第一文本内容中的所述第一候选分词替换为特定标识符而生成第二文本内容；步骤S203、基于所述第一文本内容和所述第二文本内容，确定是否替换所述第一候选分词；以及步骤S204、响应于确定替换所述第一候选分词，将所述第一文本内容中的所述第一候选分词替换为所述第一专有名词。

根据本公开的专有名词纠错的方法通过预设的专有名词库，提升在专名纠错过程中响应于专有名词库中的专有名词的识别概率，并进行纠错，从而提高专名纠错的效率及准确率。

针对特定的使用场景，用户可以预先存储对应的专有名词库。例如，在机器学习领域的会话场景下，预先生成涉及各种神经网络、深度学习等专有名词的专有名词库。

针对步骤S202，所述特定标识符用作标识。并且，在执行上述方法的一次过程中，只用所述特定标识符替换多个候选分词中的一个候选分词。

根据一些实施例，所述基于第一文本内容获取多个候选分词包括：基于所述第一专有名词的长度，利用N-Gram算法对所述第一文本内容进行分词处理。通过N-Gram，能够更有效率且有针对性地获得候选分词。

其中，N-Gram指将文本里面的内容按照字节进行大小为N的滑动窗口操作，形成长度为N的字节片段序列，每一个字节片段称为Gram。对所有的字节片段的出现频度进行统计，按预先设定的阈值进行过滤，形成关键Gram列表，即由多个候选分词构成的列表。需要说明的是，所述滑动窗口的长度可根据实际情况进行调整，本公开不对所述滑动窗口的长度进行限制。

在一些示例中，滑动窗口的长度根据相应的专有名词而调整，例如，若专有名词的长度为两个字，则滑动窗口的长度分别被设定为1个字、2个字和3个字，并按所述3种长度的滑动窗口分别对第一文本内容进行分词处理，可以分别得到针对所述3种长度的3个Gram列表。所述3个Gram列表都对应于第一专有名词，通过确定第一专有名词与3个Gram列表相匹配。

在一些示例中，可以是针对中文的分词算法，例如基于隐马尔可夫模型的分词算法，进行分词处理。其中，隐马尔可夫模型的分词算法是针对中文的分词算法，相较于英文以空格作为天然的分隔符，该算法能够在中文字符语义识别时，把数个字符组合成词，表达出真正的含义。

根据一些实施例，基于所述第一专有名词和所述多个候选分词中的每个候选分词之间的拼音编辑距离，确定该候选分词是否与所述第一专有名词相匹配。基于拼音编辑距离，能够确定与专有名词发音最相近的候选分词，从而提高对同语种发音相近的专名纠错，例如语音识别转文字等场景下专名纠错的准确率。

其中，拼音编辑距离是指两个名词之间，由一个转成另一个所需的最少编辑操作次数。允许的编辑操作包括增加、删除、替换一个音标。这里的拼音编辑距离指从某一候选分词的拼音转换到第一专有名词的拼音需要经过最少编辑操作次数。

在一些示例中，通过查询，获取第一专有名词和多个候选分词各自的拼音，计算各个候选分词相对第一专有名词的拼音编辑距离，选择拼音编辑距离最小的候选分词作为第一候选分词。

根据一些实施例，基于所述第一专有名词和所述多个候选分词中的每个候选分词之间的语义相似度，确定该候选分词是否与所述第一专有名词相匹配。基于语义相似度，能够确定与专有名词语义最相近的候选分词，提高在例如外语翻译等场景下专名纠错的准确率。

在一些示例中，可以对第一专有名词和多个候选分词进行嵌入(embedding)，得到各个名词的表征向量，选择表征向量距第一专有名词最近的候选分词作为第一候选分词。

根据一些实施例，所述基于所述第一文本内容和所述第二文本内容，确定是否替换所述第一候选分词包括：将所述第一文本内容和所述第二文本内容作为联合输入值输入到分类器，以确定是否替换所述第一候选分词。

不同于以往利用端对端模型进行专名纠错的方法，在本公开的方法中，利用分类器来判断是否将选出的候选分词替换为对应专有名词，将专名纠错问题转化为分类问题。

根据本公开的实施例，无需限制用于替换的第一候选分词的长度。换言之，即使第一候选分词与专有名词的字符长度不同，也可以实现纠错，从而解决了相关技术中存在的与变长纠错相关的问题。其中，变长纠错指，在专名纠错中，若文本中出现的错误的专有名词与正确的专有名词长度(字数)不一致，则难以将两者相匹配的问题。

在一些示例中，可以在联合第一文本内容和第二文本内容时，在两者间加入例如“<SEP>”的分隔标记符号，能够进一步提高专词纠错的准确度。

响应于输入的联合文本，分类器做出“进行替换”或“不进行替换”的判断。若判断为“进行替换”，则用第一专有名词替换第一文本中的第一候选分词，或者，用第一专有名词替换第二文本中特定标识符。否则，不更改第一文本。

根据一些实施例，所述分类器是基于ERNIE模型训练的。ERNIE模型是专门用于自然语言处理的模型，能够分析相对于文本的上下文信息，提高专名纠错的准确率。需要说明，分类器并不限于ERNIE模型，其它的预训练语言模型也是可以考虑的。

根据一些实施例，所述基于所述第一文本内容和所述第二文本内容，确定是否替换所述第一候选分词包括：将所述第一文本内容和所述第二文本内容输入到双编码器网络模型，以确定是否替换所述第一候选分词。

在采用双编码器网络模型的情形下，可以将第一文本内容输入至一个编码器网络，将第二文本内容输入至另一个编码器网络，联合两个编码器网络的输出，得到是否进行替换的判断。响应于该判断，对第一候选分词进行操作。

根据一些实施例，所述第一文本内容是在同传翻译场景中获取的。根据本公开的专名纠错方法能够满足同传翻译场景对效率及准确性的较高要求。可以理解，第一文本内容可以通过语音转文字的功能获得，在此不做赘述。

图3示出了根据本公开的实施例的对文本进行专名纠错的一个示例。

如图3所示，第一文本的文本内容为“刚才张叁跟大家介绍了AI开发平台”，其中，“张叁”与专有名词库中的第一专有名词“张三”对应，是需要进行专名纠错的名词。可以理解的是，在实际应用场景中，“张三”可以是某公众人物的人名，“张叁”可以是与该人名同音但不同字的任意的词。

在步骤S301之前，可以基于第一文本内容获取多个候选分词，例如第一文本被分割为“张叁”、“开发平台”等多个候选分词。当然，在该过程中，还可以基于第一专有名词的长度并利用N-Gram进行分词处理。例如，若专有名词“张三”的字符长度为2个字。响应于此，设定N-Gram滑动窗口的长度为2个字，获取的候选分词变为“张叁”、“开发”和“平台”等。

步骤S301：确定所述多个候选分词中的第一候选分词与预设的专有名词库中的第一专有名词相匹配。

步骤S302：响应于步骤S301，通过将所述第一文本内容中的所述第一候选分词替换为特定标识符而生成第二文本内容。

如图3所示，在步骤S301中，基于专有名词和多个候选名词中的每个候选名词之间的拼音编辑距离，确定该候选分词是否与专有名词相匹配。例如，专有名词“张三”对应的拼音为“zhangsan”；多个候选分词之一的“张叁”的拼音也为“zhangsan”；多个候选分词之一的“开发”的拼音为“kaifa”。可以理解，“张叁”的拼音编辑距离为0，“开发”的拼音编辑距离为5。因此，可以将第一文本中的“张叁”作为第一候选分词。

在步骤S302中，响应于“张叁”拼音编辑距离最小，将第一文本中的“张叁”替换为特定标志符“<NE>”，生成第二文本“刚才<NE>跟大家介绍了AI开发平台”。其中，预设的特定标志符“<NE>”只是示例性的，其他形式的特定标识符也是可以考虑的。

步骤S303：基于所述第一文本内容和所述第二文本内容，确定是否替换所述第一候选分词。

如图3所示，将所述第一文本内容和所述第二文本内容作为联合输入值输入到分类器，以确定是否替换所述第一候选分词。例如，联合第一文本和第二文本，得到“刚才张叁跟大家介绍了AI开发平台。刚才<NE>跟大家介绍了AI开发平台。”这一文本。将该文本输入基于ERNIE的分类器中。响应于此，分类器输出“进行替换”的指令。

步骤S304：响应于确定替换所述第一候选分词，将所述第一文本内容中的所述第一候选分词替换为所述第一专有名词。

如图3所示，分类器输出“进行替换”的指令，将第一文本中的“张叁”替换为“张三”，输出经过专名纠错的文本“刚才张三跟大家介绍了AI开发平台”。

步骤S305：响应于确定不替换所述第一候选分词，保留第一文本内容。

如图3所示，分类器输出“不进行替换”的指令，保留原始第一文本并输出，即输出文本“刚才张叁跟大家介绍了AI开发平台。”。

图4是示出根据一个示例性实施例的专有名词纠错模型的训练方法的流程图。

如图4所示，该专有名词纠错模型的训练方法包括：步骤401、获取样本数据集，其中，所述样本数据集中的每个样本数据包括第一文本内容、第二文本内容以及标签，并且其中，所述第二文本内容是通过将所述第一文本内容中的第一分词替换为特定标识符而生成的；步骤402、初始化所述纠错模型的多个参数；以及对于每个样本数据，执行如下操作：步骤403、将所述第一文本内容和所述第二文本内容输入到所述纠错模型，以得到输出值，所述输出值表征所述第一分词是预设的专有名词的概率；步骤404、基于所述输出值和与该样本数据对应的标签，计算损失函数；以及步骤405、基于所述损失函数调整所述纠错模型中的多个参数。

训练过程是基于内容正确的第一文本而进行的，即进行易于迁移的有监督学习，样本数据集易于构建，且专名纠错效果相比无监督学习更好。

根据一些实施例，所述样本数据集包括多个正样本数据，并且其中，所述多个正样本数据中的每个正样本数据的所述第一文本内容的第一分词是预设的专有名词。其中，正样本数据的标签设为1。

根据一些实施例，所述样本数据集包括多个负样本数据，并且其中，所述多个负样本数据中的每个负样本数据的所述第一文本内容中的第一分词不是预设的专有名词。其中，负样本数据的标签设为0。

表1列出了正负样本数据的一个实例。其中，编号为1的数据是正样本数据，其中，被用特定标识符“<NE>”替代的词“张三”是预设的专有名词；编号为2的数据集是负样本数据，其中，被用特定标识符“<NE>”替代的词“校门口”不是预设的第一分词。在实际的应用场景中，并非所有被识别出的专有名词都需要进行专名纠错。根据本公开实施例描述的方法，能够提高专名纠错模型的针对性，从而提高纠错的效率。

表1

根据一些实施例，所述预设的专有名词是基于专名识别，NER，模型而识别的。

在构建样本数据集时，引入NER模型，实现半自动生成样本数据，简化了人力投入。其中，专名识别(Named Entity Recognition，NER)指按实体类、时间类和数字类，或按人名、机构名、地名、时间、日期、货币和百分比，识别文本中的名词。例如，表1中的“张三”和“校门口”都可以是利用NER模型识别出来的专有名词。

根据一些实施例，所述纠错模型是基于ERNIE的分类器，并且其中，所述每个样本数据的第一文本内容和第二文本内容作为联合输入值输入到所述分类器中。

通过采用ERNIE模型，方便对分类器的训练，节约训练成本。

根据一些实施例，可以在联合第一文本内容和第二文本内容时，在两者间加入例如“<SEP>”的分隔标记符号，从而进一步提高模型精度。

根据一些实施例，所述纠错模型是双编码器网络模型。

图5示出了根据本公开的实施例的专有名词纠错装置的框图。

根据本公开的一个方面，还公开一种专有名词纠错装置500，所述装置包括：候选分词获取单元501，被设置为基于第一文本内容获取多个候选分词；文本生成单元502，被设置为响应于确定所述多个候选分词中的第一候选分词与预设的专有名词库中的第一专有名词相匹配，通过将所述第一文本内容中的所述第一候选分词替换为特定标识符而生成第二文本内容；判断单元503，被设置为基于所述第一文本内容和所述第二文本内容，确定是否替换所述第一候选分词；以及替换单元504，被设置为响应于确定替换所述第一候选分词，将所述第一文本内容中的所述第一候选分词替换为所述第一专有名词。

图6示出了根据本公开的实施例的专有名词纠错模型的训练装置的框图。

根据本公开的一个方面，还公开了一种专有名词纠错模型的训练装置600，所述装置包括：获取样本单元601，被设置为获取样本数据集，其中，所述样本数据集中的每个样本数据包括第一文本内容、第二文本内容以及标签，并且其中，所述第二文本内容是通过将所述第一文本内容中的第一分词替换为特定标识符而生成的；初始化单元602，被设置为初始化所述纠错模型的多个参数；输入单元603，被配置为将所述第一文本内容和所述第二文本内容输入到所述纠错模型，以得到输出值，所述输出值表征所述第一分词是预设的专有名词的概率；损失函数计算单元604，被配置为基于所述输出值和与该样本数据对应的标签，计算损失函数；以及参数更新单元605，被配置为基于所述损失函数调整所述纠错模型中的多个参数。

根据本公开的一个方面，还公开了一种电子设备，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指令，所述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上述方法。

根据本公开的一个方面，还公开了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行上述方法。

根据本公开的一个方面，还公开了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现上述方法。

参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙^TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如专有名词纠错方法。例如，在一些实施例中，专有名词纠错方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的专有名词纠错方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行专有名词纠错方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (19)

1.一种由计算机实现的专有名词纠错方法，所述方法包括：

基于第一文本内容获取多个候选分词；

响应于确定所述多个候选分词中的第一候选分词与预设的专有名词库中的第一专有名词相匹配，通过将所述第一文本内容中的所述第一候选分词替换为特定标识符而生成第二文本内容；

基于所述第一文本内容和所述第二文本内容，确定是否替换所述第一候选分词；以及

响应于确定替换所述第一候选分词，将所述第一文本内容中的所述第一候选分词替换为所述第一专有名词。

2.如权利要求1所述的方法，其中，所述基于第一文本内容获取多个候选分词包括：

基于所述第一专有名词的长度，利用N-Gram算法对所述第一文本内容进行分词处理。

3.如权利要求1或2所述的方法，还包括：

基于所述第一专有名词和所述多个候选分词中的每个候选分词之间的拼音编辑距离，确定该候选分词是否与所述第一专有名词相匹配。

4.如权利要求1或2所述的方法，还包括：

基于所述第一专有名词和所述多个候选分词中的每个候选分词之间的语义相似度，确定该候选分词是否与所述第一专有名词相匹配。

5.如权利要求1至4中任一项所述的方法，其中，所述基于所述第一文本内容和所述第二文本内容，确定是否替换所述第一候选分词包括：

将所述第一文本内容和所述第二文本内容作为联合输入值输入到分类器，以确定是否替换所述第一候选分词。

6.如权利要求5所述的方法，其中，所述分类器是基于ERNIE模型训练的。

7.如权利要求1至4中任一项所述的方法，其中，所述基于所述第一文本内容和所述第二文本内容，确定是否替换所述第一候选分词包括：

将所述第一文本内容和所述第二文本内容输入到双编码器网络模型，以确定是否替换所述第一候选分词。

8.如权利要求1至7中任一项所述的方法，其中，所述第一文本内容是在同传翻译场景中获取的。

9.一种专有名词纠错模型的训练方法，所述方法包括：

获取样本数据集，其中，所述样本数据集中的每个样本数据包括第一文本内容、第二文本内容以及标签，并且其中，所述第二文本内容是通过将所述第一文本内容中的第一分词替换为特定标识符而生成的；

初始化所述纠错模型的多个参数；以及

对于每个样本数据，执行如下操作：

将所述第一文本内容和所述第二文本内容输入到所述纠错模型，以得到输出值，所述输出值表征所述第一分词是预设的专有名词的概率；

基于所述输出值和与该样本数据对应的标签，计算损失函数；以及

基于所述损失函数调整所述纠错模型中的多个参数。

10.如权利要求9所述的训练方法，其中，所述样本数据集包括多个正样本数据，并且其中，所述多个正样本数据中的每个正样本数据的第一文本内容的第一分词是预设的专有名词。

11.如权利要求9或10所述的训练方法，其中，所述样本数据集包括多个负样本数据，并且其中，所述多个负样本数据中的每个负样本数据的第一文本内容中的第一分词不是预设的专有名词。

12.如权利要求9至11中任一项所述的训练方法，其中，所述预设的专有名词是基于专名识别，NER，模型而识别的。

13.如权利要求9至12中任一项所述的训练方法，其中，所述纠错模型是基于ERNIE的分类器，并且其中，所述每个样本数据的第一文本内容和第二文本内容作为联合输入值输入到所述分类器中。

14.如权利要求9至12中任一项所述的训练方法，其中，所述纠错模型是双编码器网络模型。

15.一种专有名词纠错装置，所述装置包括：

候选分词获取单元，被设置为基于第一文本内容获取多个候选分词；

文本生成单元，被设置为响应于确定所述多个候选分词中的第一候选分词与预设的专有名词库中的第一专有名词相匹配，通过将所述第一文本内容中的所述第一候选分词替换为特定标识符而生成第二文本内容；

判断单元，被设置为基于所述第一文本内容和所述第二文本内容，确定是否替换所述第一候选分词；以及

替换单元，被设置为响应于确定替换所述第一候选分词，将所述第一文本内容中的所述第一候选分词替换为所述第一专有名词。

16.一种专有名词纠错模型的训练装置，所述装置包括：

获取样本单元，被设置为获取样本数据集，其中，所述样本数据集中的每个样本数据包括第一文本内容、第二文本内容以及标签，并且其中，所述第二文本内容是通过将所述第一文本内容中的第一分词替换为特定标识符而生成的；

初始化单元，被设置为初始化所述纠错模型的多个参数；

输入单元，被配置为将所述第一文本内容和所述第二文本内容输入到所述纠错模型，以得到输出值，所述输出值表征所述第一分词是预设的专有名词的概率；

损失函数计算单元，被配置为基于所述输出值和与该样本数据对应的标签，计算损失函数；以及

参数更新单元，被配置为基于所述损失函数调整所述纠错模型中的多个参数。

17.一种电子设备，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指令，所述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权利要求1至14中任一项所述的方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1至14中任一项所述的方法。

19.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现根据权利要求1至14中任一项所述的方法。

Images