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。
Soft-Masked BERT结构
- 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：
- 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）;
- News Title数据集：来自于今日头条app中的文章的标题部分;
- 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:
- 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;
- 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
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
