1.生成一逗到底数据集
低年龄阶段的小学生习惯于所有标点符号全部为逗号,根据小学生范文,修改其中的所有标点符号为逗号来模拟一逗到底数据集:
调用中文标点包:
from zhon.hanzi import punctuation
对高低年级的作文集分别做如下处理(例子为高年级数据集的处理)
首先遍历每一行,再接着遍历每一行中的字符,存在于标点符号包中一致的字符,则替换成逗号
punctuation_str = punctuation
print("中文标点符合:", punctuation_str)
file=open(r'Senior.txt','r',encoding='utf-8')#打开源文件
f=open(r'Senior_comma.txt','w',encoding='utf-8')#打开写入文件
for line in file.readlines():
if line.split(): #过滤空行
line=line.replace('/n', ',')
for i in punctuation:
if i in line:
line = line.replace(i, ',')
print(line)
f.write(line)
f.close()
file.close()
原始数据集效果:
生成数据集效果:
2.生成模拟少量错误标点的小学生作文数据集
对于尤其为高年级的小学生,作文中的标点符号错误更多的可能是少量的错误连接句子,和误用,因此根据此情况生成相应的数据集,用于后面的系统输入学生作文的模拟样本,对整个系统的标点符号更正效果进行可视化的查看:
file=open(r'senior_data.txt','r',encoding='utf-8')#打开源文件
f=open(r'Senior_wrongplace.txt','w',encoding='utf-8')#打开写入文件
list=[]
for line in file.readlines():
a = 0
for i in line:
a=a+1
if line.split(): #过滤空行
line=line.replace('/n', '')
for i in punctuation:
if i in line:
temp = i
lines = line.split(i)
print(lines)
for l in lines:
number = random.randint(1,a)
new1=""
for p1 in lines[:number]:
new1 += str(p1)
new2= ""
for p2 in lines[number:]:
new1 += str(p2)
new = str(new1+str(temp)+new2)
f.write(new)
f.close()
file.close()
上述通过遍历每行的标点数目numbers,随机生成numbers个不超过改行总字数的随机数,并添加相对应的标点符号,通过列表于str的转换来合成最后的文章。
原始数据集效果:
生成数据集效果:
3.训练模型的确定
通过采用bertpunc+多任务对抗训练(pos tagging+标点生成)的模型来进行训练
对于机器生成的标点符号和输入的文章标点符号打算采取字符匹配的方式
4.to do list
(1)明确具体的多任务对抗训练含pos的整体算法流程
(2)查询并完善相关代码准备预训练