文本纠错方法、装置、设备以及存储介质
文献发布时间:2023-06-19 11:19:16
技术领域
本申请涉及计算机技术领域,具体涉及云计算、自然语言处理领域,尤其涉及文本纠错方法、装置、设备以及存储介质。
背景技术
文本纠错的目的是将文本中出现的错字、错词等错误纠正过来,改正成正确的字、词。文本纠错是希望可以实现将一个错误句子纠正成一个正确句子的功能。
因为在日常的客服对话系统,搜索系统等许多系统中,都需要用户输入文本或者输入语音再转换为文本,在得到文本信息后需要对文本进行处理,识别,完成对话,搜索等功能。如果文本本身存在错误那么对于下游的处理任务来说,会在很大程度上降低下游任务的准确率,召回率等等指标。所以通过文本纠错就可以对用户输入文本信息中的拼写错误等进行纠正,从而得到用户想表达的真实含义。
在工业落地场景上因为对并发以及处理速度有着很严格的要求,所以要求纠错算法的复杂度较低,任务处理时间较短。并且在满足性能要求的前提上,希望纠正的召回率较高,误纠(指将正确的字符纠正为错误字符)率较低,从而更贴近用户的真实诉求,为下游任务提供更加真实的文本数据。
发明内容
提供了一种文本纠错方法、装置、设备以及存储介质。
根据第一方面,提供了一种文本纠错方法,包括:接收目标文本;利用预先训练的文本纠错模型,对目标文本进行纠错,得到纠错文本;利用预先训练的分类模型,确定纠错文本的误纠概率;响应于确定误纠概率小于预设阈值,输出纠错文本。
根据第二方面,提供了一种文本纠错装置,包括:文本接收单元,被配置成接收目标文本;文本纠错单元,被配置成利用预先训练的文本纠错模型,对目标文本进行纠错,得到纠错文本;误纠判断单元,被配置成利用预先训练的分类模型,确定纠错文本的误纠概率;文本输出单元,被配置成响应于确定误纠概率小于预设阈值,输出纠错文本。
根据第三方面,提供了一种文本纠错电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,上述指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面所描述的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,上述计算机指令用于使计算机执行如第一方面所描述的方法。
根据第五方面,一种计算机程序产品,包括计算机程序,上述计算机程序在被处理器执行时实现如第一方面所描述的方法。
根据本申请的技术可以提高文本纠错的正确率,降低误纠率,更贴近用户的真实诉求。
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
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的文本纠错方法的一个实施例的流程图;
图3是根据本申请的文本纠错方法的一个应用场景的示意图;
图4是根据本申请的文本纠错方法的另一个实施例的流程图;
图5是根据本申请的文本纠错装置的一个实施例的结构示意图;
图6是用来实现本申请实施例的文本纠错方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请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,而不会背离本申请的范围和精神。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。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的文本纠错方法或文本纠错装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如浏览器类应用、电子商务类应用、语音识别类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上提供各种服务的后台服务器。后台服务器可以接收用户通过终端设备101、102、103输入的文本,并对文本进行纠错,并利用纠错文本进行后续的服务。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的文本纠错方法可以由终端设备101、102、103执行,也可以由服务器105执行。相应地,文本纠错装置可以设置于终端设备101、102、103中,也可以设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的文本纠错方法的一个实施例的流程200。本实施例的文本纠错方法,包括以下步骤:
步骤201,接收目标文本。
本实施例中,文本纠错方法的执行主体可以通过各种方式接收目标文本,例如接收用户通过触摸屏幕、键盘或者麦克风输入的各种形式的信息。执行主体在接收到上述信息后,可以对其进行文本识别等操作,得到目标文本。
步骤202,利用预先训练的文本纠错模型,对目标文本进行纠错,得到纠错文本。
执行主体在接收目标文本后,可以利用预先训练的文本纠错模型,对目标文本进行纠错。这里,文本纠错模型可以用于表征错误文本与正确文本的对应关系。具体的,文本纠错模型可以为各种自然语言处理算法,其可以对目标文本进行处理,确定目标文本中的错别字或错词。然后,确定出上述错别字或错词对应的正确的字或正确的词。并利用正确的字或正确的词替换错别字或错词就可以得到纠错文本。需要说明的是,如果执行主体利用纠错模型并未发现目标文本中的错误,则得到的纠错文本与目标文本相同。
步骤203,利用预先训练的分类模型,确定纠错文本的误纠概率。
执行主体在得到纠错文本后,可以利用预先训练的分类模型,确定纠错文本的误纠概率。这里,分类模型可以用于表征文本与概率的对应关系。其可以是一个二分类模型,如果文本正确,则输出一个接近于1的概率。如果文本错误,则输出一个接近于0的概率。执行主体可以将纠错文本输入到上述分类模型中,并根据分类模型的输出值确定误纠概率。例如,执行主体可以直接将分类模型的输出值作为误纠概率,或者,将分类模型的输出值乘以一个系数,将得到的积作为误纠概率。
步骤204,响应于确定误纠概率小于预设阈值,输出纠错文本。
如果执行主体确定误纠概率大于预设阈值,则认为文本纠错模型正确,输出纠错文本。可以理解的是,如果执行主体确定误纠概率大于预设阈值,则认为文本纠错模型输出错误,不接受文本纠错模型的输出。
继续参见图3,其示出了根据本申请的文本纠错方法的一个应用场景的示意图。在图3的应用场景中,用户通过用户终端输入语音,终端对语音进行识别后,得到目标文本为“今天天替很不错”。终端利用本地存储的文本纠错模型对上述目标文本进行纠错,得到纠错文本为“今天天气很不错”。然后,利用分类模型确定纠错文本的误纠概率为0.1。则将纠错文本作为正确文本。用户终端中安装的人工智能软件可以回复“是的,今天天气晴,3~15度,无风。”
本申请的上述实施例提供的文本纠错方法,可以在对目标文本纠错后,进一步判断是否存在误纠,从而提高了文本纠错的正确率,为后续的服务提供更加真实的文本数据
继续参见图4,其示出了根据本申请的文本纠错方法的另一个实施例的流程400。如图4所示,本实施例的方法中可以通过步骤401~402来训练得到文本纠错模型,通过步骤401~403来训练得到分类模型,然后,通过步骤404~408对文本进行纠错。
步骤401,获取混淆文本集。
本实施例中,混淆文本集可以包括多个正确文本以及对应的多个错误文本。正确文本可以是从各种权威网站或工具书或杂志中获取到的,也可以是人工输入后审核的。每个正确文本可以对应有多个错误文本。错误文本中错误的数量可以有一个,也可以有多个。
步骤402,将错误文本作为输入,将与输入的错误文本对应的正确文本作为期望输出,训练得到文本纠错模型。
在训练文本纠错模型时,可以将混淆文本集中的错误文本作为输入,将与输入的错误文本对应的正确文本作为期望输出,经过多次迭代优化,训练得到文本纠错模型。
步骤403,将正确文本的标签设置为第一预设值,将错误文本的标签设置为第二预设值;将混淆文本集中的文本作为输入,将输入文本的标签作为期望输出,训练得到分类模型。
在训练分类模型时,可以首先将正确文本的标签设置为第一预设值(例如可以为1),将错误文本的标签设置为第二预设值(例如可以为0)。然后,将混淆文本集中的文本作为输入,将输入文本的标签作为期望输出,训练得到分类模型。即在输入正确文本时,将第一预设值作为期望输出。在输入错误文本时,将第二预设值作为期望输出。经过多次迭代优化,得到分类模型。
步骤404,接收目标文本。
步骤405,利用上述文本纠错模型,对目标文本进行纠错,得到纠错文本。
步骤406,利用上述分类模型,确定纠错文本的误纠概率。
步骤407,响应于确定误纠概率小于预设阈值,输出纠错文本。
步骤408,响应于确定误纠概率大于或等于预设阈值,利用纠错文本以及目标文本再次训练文本纠错模型。
本实施例中,如果误纠概率大于或等于预设阈值,则说明文本纠错模型出现错误。则可以将纠错文本以及目标文本作为混淆文本集中的样本,继续训练文本纠错模型以提高文本纠错模型的准确率。
在本实施例的一些可选的实现方式中,执行主体可以通过图4中未示出的以下步骤来得到混淆文本集:获取多个正确文本;对正确文本进行分词,得到多个词语;对多个词语进行替换,确定正确文本对应的错误文本,得到混淆文本集。
本实现方式中,执行主体可以首先获取多个正确文本。然后,对正确文本进行分词,得到多个词语。可以理解的是,这里的词语可以包含一个字也可以包含多个字。然后,执行主体可以对多个词语进行替换,确定正确文本对应的错误文本,从而得到混淆文本。具体的,执行主体可以对得到的多个词语中的至少一个词语进行替换,在替换时可以替换词语中的一个字或多个字。
在本实施例的一些可选的实现方式中,执行主体可以通过图4中未示出的以下步骤来进行替换:确定多个词语中的字数以及预设的字数与概率的对应关系,确定各词语的替换概率;根据替换概率从各词语中确定出目标词语,对目标词语中的字进行替换,确定错误文本。
本实现方式中,执行主体可以首先获取预先设定的、词语字数与概率的对应关系。对于语音识别来说,单个字识别错误的概率要大于一个词语识别错误的概率。词语中包括的字数越多,被识别错误的概率越低。因此,本实现方式在对词语进行替换时也考虑到上述概率,即根据上述对应关系以及每个词语中包括的字数,确定各词语被替换的概率。根据替换概率从各词语中确定出目标词语。并对目标词语中的字进行替换,得到错误文本。
在本实施例的一些可选的实现方式中,在对词语进行替换时,执行主提出可以首先确定词语中各字的替换字,然后,利用替换字对词语进行替换。替换字可以是与被替换字音近或形近的字。也可以是输入序列相近的字。
在本实施例的一些可选的实现方式中,执行主体可以将与多个词语中各字字音相近或字形相近的字作为替换字。
具体的,执行主体可以将被替换字转换为拼音。然后按照拼音生成候选队列,计算候选队列中的各字与被替换字之间的拼音的编辑距离。编辑距离越小,则替换的概率越高。执行主体可以从拼音的编辑距离为0的字中挑选15个作为候选字,从拼音的编辑距离为1的字中挑选10个作为候选字。
另外,执行主体还可以将被替换字拆分为笔画序列。生成上述笔画序列的候选队列。计算候选队列中的各字与被替换字之间的笔画序列的编辑距离。编辑距离越小,则替换的概率越高。执行主体可以从笔画序列的编辑距离1的字中挑选15个作为候选字,从笔画序列的编辑距离2的字中挑选10个作为候选字。
在一些可选的实现方式中,执行主体在计算编辑距离时,还可以考虑到字的复杂程度。将编辑距离与字本身的笔画数做比值后,在乘以预设系数,将得到的乘积作为最终的编辑距离。举例来说,以“鹤”和“人”为例来说,“鹤”字错了一个笔画,但整体上仍然与“鹤”字的差别并不大。而“人”字如果错误了一个笔画,整体上与“人”字的差别非常大。通过这样的处理,可以降低由于字本身的复杂程度对结果造成的影响。
需要说明的是,文本纠错模型的训练以及分类模型的训练可以单独进行,也可以同时进行。可以由一个电子设备来执行,也可以由不同的电子设备来执行。另外,执行文本纠错模型的训练、分类模型的训练的电子设备也可以与本实施例中的文本纠错方法的电子设备不同。
本申请的上述实施例提供的文本纠错方法,可以构建丰富的混淆文本集来训练文本纠错模型和分类模型,提高文本纠错模型和分类模型性能,从而能够提高文本纠错的准确度。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种文本纠错装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的文本纠错装置500包括:文本接收单元501、文本纠错单元502、误纠判断单元503和文本输出单元504。
文本接收单元501,被配置成接收目标文本;
文本纠错单元502,被配置成利用预先训练的文本纠错模型,对目标文本进行纠错,得到纠错文本。
误纠判断单元503,被配置成利用预先训练的分类模型,确定纠错文本的误纠概率。
文本输出单元504,被配置成响应于确定误纠概率小于预设阈值,输出纠错文本。
在本实施例的一些可选的实现方式中,装置500还可以进一步包括图5中未示出的:文本集获取单元、第一训练单元。
文本集获取单元,被配置成获取混淆文本集,混淆文本集包括多个正确文本以及对应的多个错误文本。
第一训练单元,被配置成将错误文本作为输入,将与输入的错误文本对应的正确文本作为期望输出,训练得到文本纠错模型。
在本实施例的一些可选的实现方式中,装置500还可以进一步包括图5中未示出的第二训练单元,被配置成通过以下步骤得到分类模型:将正确文本的标签设置为第一预设值,将错误文本的标签设置为第二预设值;将混淆文本集中的文本作为输入,将输入文本的标签作为期望输出,训练得到分类模型。
在本实施例的一些可选的实现方式中,文本集获取单元可以进一步被配置成:获取多个正确文本;对正确文本进行分词,得到多个词语;对多个词语进行替换,确定正确文本对应的错误文本,得到混淆文本集。
在本实施例的一些可选的实现方式中,文本集获取单元可以进一步被配置成:确定多个词语中的字数以及预设的字数与概率的对应关系,确定各词语的替换概率;根据替换概率从各词语中确定出目标词语,对目标词语中的字进行替换,确定错误文本。
在本实施例的一些可选的实现方式中,文本集获取单元可以进一步被配置成:确定多个词语中各字的替换字;利用替换字对多个词语进行替换。
在本实施例的一些可选的实现方式中,文本集获取单元可以进一步被配置成:将与多个词语中各字字音相近或字形相近的字作为替换字。
在本实施例的一些可选的实现方式中,装置500还可以进一步包括图5中未示出的再次训练单元,被配置成:响应于确定误纠概率大于或等于预设阈值,利用纠错文本以及目标文本再次训练文本纠错模型。
应当理解,文本纠错装置500中记载的单元501至单元504分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对文本纠错方法描述的操作和特征同样适用于装置500及其中包含的单元,在此不再赘述。
根据本申请的实施例,本申请还提供了还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了根据本申请实施例的执行文本纠错方法的电子设备600的框图。电子设备旨在表示各种形式的数字计算机,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/或者要求的本申请的实现。
如图6所示,设备600包括处理器601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储器608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。处理器601、ROM 602以及RAM 603通过总线604彼此相连。I/O接口(输入/输出接口)605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储器608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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。
处理器601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。处理器601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处理器、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。处理器601执行上文所描述的各个方法和处理,例如文本纠错方法。例如,在一些实施例中,文本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存储介质,例如存储器608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM603并由处理器601执行时,可以执行上文描述的文本纠错方法的一个或多个步骤。备选地,在其他实施例中,处理器601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行文本纠错方法。
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)、负载可编程逻辑设备(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。
用于实施本申请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。上述程序代码可以封装成计算机程序产品。这些程序代码或计算机程序产品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601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。
在本申请的上下文中,机器可读存储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。机器可读存储介质可以是机器可读信号存储介质或机器可读存储介质。机器可读存储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)、光学存储设备、磁存储设备、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,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“Virtual Private Server”,或简称“VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以是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,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请的保护范围之内。
- 文本纠错方法、文本纠错装置、存储介质和电子设备
- 文本纠错模型生成方法及系统、文本纠错方法、系统、设备及介质