Confusionset-guided Pointer Networks for Chinese Spelling Check
作者:Tencent Cloud AI
时间:2019年
会议:ACL-2019
论文地址
其他:
Pointing the Unknown Words
文中的pointer借鉴 该文,其实颇有道理,但是有一个问题,中文中能看到的,都没有错字,而英文有 ahhfi,是个unk的,但是,眼镜蛇,每一个字都是对的。
简述:
输入:数据集-正确句子-错误句子-location–混淆集-M
怎么做:一个网络判断训练并判断哪个地方是错的-pointed-network,然后,正确的就赋值过去,错误的就在混淆集里面选,不过选的时候,因为seq2seq的encode是一个一个预测的,所以,这个时候,混淆集的选择,有更多“context”的信息,所以更好。that’s all
下一步,尝试复现。
做了什么事情-摘要
提出一个 基于 混淆集 的 指针网络。
更具体的说:用现有的混淆集去生成字符,为此,我们新颖的Seq2Seq模型共同学习通过指针网络从输入句子中复制正确的字符,或者从混乱集中而不是整个词汇表中生成字符
之前都是怎么做的-介绍
说了两个公认的背景信息,首先,中文单词之间没有单词定界符。其次,由于其上下文敏感特性,错误检测任务很困难,即,错误通常只能在短语/句子级别而不是字符级别确定
说实话,看半天感觉没说清楚干了什么。
模型具体内容
输入一个句子,然后经过一个seq2seq输出纠错后的句子。
混淆集
构建一个混淆集M
encoder
首先说明,在char-级别,因为,在word级别,会扩大,中文分词中的错误。
用双向LSTM和一个 软注意力,去对 输入的句子 进行 encode
decoder
再用一个 LSTM和注意力机制,像翻译一样,逐个解码。得到句子。
如何用混淆集,在预测下一个字的时候,当下一个字的位置上,在混淆集合里面是(就是说,这个字对应有很多混淆字),那么,就不是对所有的vocab 进行搜索,去预测下一个字,而是,只对混淆字去进行,搜索。
模糊集指导的复制机制,复制正确字符,从模糊集选出纠错字符,模糊集结合指针网络
这是ACL!