目的

汉字不存在错字，但是存在别字。

查了一遍整个 github，只有一个比较靠谱的实现 correction，基于 C 语言实现。

相对成熟的产品 写作猫

核心思路

核心思路如下：

  • 使用语言模型计算句子或序列的合理性

  • bigram, trigram, 4-gram 结合，并对每个字的分数求平均以平滑每个字的得分

  • 根据Median Absolute Deviation算出outlier分数，并结合jieba分词结果确定需要修改的范围

  • 根据形近字、音近字构成的混淆集合列出候选字，并对需要修改的范围逐字改正

  • 句子中的错误会使分词结果更加细碎，结合替换字之后的分词结果确定需要改正的字

  • 探测句末语气词，如有错误直接改正

错字的场景

中文文本里说的错别字，归结为几种：

多字、漏字、字序错误、同音/音近字错误、形近字错误、语义混淆字错误。

拼写错误

步骤流程

在多种应用比如word中都有拼写检查和校正功能，具体步骤分为：

  1. 拼写错误检测

  2. 拼写错误校正：

自动校正：hte -> the

建议一个校正

建议多个校正

拼写错误类型：

Non-word Errors 非词错误：

即写了一个不是单词的词，比如graffe并不存在，应校正为giraffe

检测方法：认为任一不在字典中的词都是一个非词错误，因此字典本身越大越好

校正方法：为错误词产生一个候选，其是跟错误词相似的真词，然后选择加权编辑距离最短或者信道噪声概率最高的那个词。

Real-word Errors真词错误：

印刷错误：three->there

认知错误（同音异形字）：piece -> peace; too -> two

检测方法：由于每个真词可能都是一个错误词，因此我们为每个词都产生一个候选集，包括该词本身、跟该词发音或拼写相似的词（编辑距离为1的英文单词）、同音异形词。

校正方法：按照信道噪声或者分类器选择最好的候选词。

非词错误校正

基本方法：使用The Noisy Channel Model of Spelling信道噪声模型

image

假设初始词经过一个噪声信道输出一个噪声词，即为可能的错误词，我们旨在对该噪声信道建模，从而使得在解码阶段能够根据噪声词得到一个猜测词，其跟初始词一致，即找到错误词正确的拼写。

而信道噪声我们视之为一个概率模型，如下：

输入：一个错误词x

旨在：找到一正确的词w

要求：

image

P(w)称为语言模型表示单词w为一个单词的概率，P(x w)称为信道概率（或错误概率）表示如果是w，x是w拼错的词的概率。

例子：

设：有一个错误词“acress”

1. 产生候选词：

相似拼写词

跟错误词之间小的编辑距离

采用Damerau-Levenshtein edit distance，计算的操作包括：插入、删除、置换和两个相邻字母之间的换位transposition，

以下是与“acress”编辑距离=1的列表:

image

80%错误词与正确词之间的编辑距离为1，大部分的编辑距离都小于等于2

允许插入空格或者连字符-：thisidea -> this idea; inlaw -> in-law

相似发音词

跟错误词的发音之间小的编辑距离

ps: 这里和中文一样，同音字或者形近字。

2. 选择最优候选词：套用公式

a) 计算语言模型P(w)：可以采用之前说过的任一语言模型，比如unigram、bigram、trigram，大规模拼写校正也可以采用stupid backoff。

b) 计算信道概率P(x w)：首先获得多个单词拼错的列表，然后计算混淆矩阵，然后按照混淆矩阵计算信道概率。

设：

image

有：

image

x和y为任一字母a-z，计数count表示后面那张情况发生的次数，其中插入和删除的情况都依赖于前一个字符，sub[x,y] 的混淆矩阵结果如下：

image

然后按照上述混淆矩阵计算信道概率：

image

c) 整体概率计算实例如下：

image

也可以选用语言模型计算整体概率，比如：使用bigram或trigram语言模型

image

3. 结果评估方法：

Wikipedia’s$list$of$common$English$misspelling

• Aspell$filtered$version$of$that$list

• Birkbeck$spelling$error$corpus

• Peter$Norvig’s$list$of$errors$(includes$Wikipedia$and$Birkbeck,$for$training$

or$tes/ng)

真词校正

25-40%的拼写错误都是真词错误。

具体步骤：

image

个人的理解就是真词的纠正是依赖上下文的。

所以根据原始句子，生成对应的可能纠正序列，计算出考虑最大的候选序列。

image

为了方便起见，我们假定每个句子中只有一个拼写错误，所以有：

image

要求从中找到一个组合序列使得序列的概率最高。

计算P(W):

方法1：语言模型，比如unigram、bigram等

方法2：信道模型：跟“一”中的方法一样，但还需要额外计算没有错误的概率P(w w)，因为候选集中还包括自身词。
计算P(w w):其完全依赖于应用本身，表示一个词可能被拼错的概率，不同的应用概率不同：

image

经典系统 state of art

1. HCI issues in spelling

如果对校正结果非常自信：自动校正

一般自信：给定一个最好的校正方案

一点点自信：给定一个校正方案的列表

没有自信：给错误词做出标记，不校正

2. 经典噪声信道

实际应用中，信道概率和语言模型概率的权重并非一致，而是采用如下的计算公式：

image

然后在开发测试数据集中训练学习lambdas的值。

3. 语音错误模型

针对有相似发音的错误拼写的纠正

a) Metaphone, used in GNU aspell

将错误拼写转换为变音发音，规则如下

image

然后找到跟错误拼写的发音的编辑距离为1-2的词

打分

给结果列表打分，按照：

  1. 候选词跟错误词之间的加权编辑距离

  2. 候选词的发音与错误词发音的编辑距离

4. 信道模型的升级版

a) 允许更多的操作(Brill and Moore 200)

ent->ant

ph=>f

le->al

b) 在信道中结合发音(Toutanova and Moore 2003)

c）在计算信道概率 P(x|w) 时考虑更多的影响因素

  • The source letter

  • The target letter

  • Surrounding letters

  • The position in the word

  • Nearby keys on the keyboard

  • Homology on the keyboard

  • Pronunciations

  • Likely morpheme transformations

5. 基于分类器的真词拼写校正方法

  1. 考虑更多的特征

  2. 针对特定词对建立分类器

参考资料

nlp 公开课

斯坦福大学自然语言处理公开课课件汇总

拼写检测

stanford nlp第五课“拼写纠错（Spelling Correction）”

拼写校正

中文拼写检测

didi-拼写检测

Introduction to SIGHAN 2015 Bake-off for Chinese Spelling Check

data 下载地址