中文拼写检测纠正 Read, Listen, and See Leveraging Multimodal Information 论文

摘要

中文拼写检查（CSC）旨在检测和修正用户生成的中文文本中的错误字符。

大多数中文拼写错误是由于语义、语音或图形上相似的字符被误用。

以往的研究注意到这一现象，并尝试利用相似关系来完成这项任务。

然而，这些方法要么依赖启发式规则，要么使用手工制作的混淆集来预测正确的字符。本文提出了一种名为REALISE的中文拼写检查器，直接利用中文字符的多模态信息。

REALISE模型通过以下两个步骤解决CSC任务：

（1）捕捉输入字符的语义、语音和图形信息；

（2）选择性地混合这些模态的信息来预测正确的输出。在SIGHAN基准测试上的实验结果表明，所提出的模型显著优于强基线模型。

1 引言

中文拼写检查（CSC）任务旨在识别错误字符并生成候选修正。

由于其在搜索查询修正（Martins和Silva，2004；Gao等，2010）、光学字符识别（OCR）（Afli等，2016）、自动作文评分（Dong和Zhang，2016）等基本且广泛的应用中起到重要作用，因此受到了大量研究关注。近年来，由于大规模预训练语言模型的成功（Devlin等，2019；Liu等，2019；Yang等，2019），该任务取得了迅速的进展（Zhang等，2020；Cheng等，2020）。

在像英语这样的字母语言中，拼写错误通常是由于一个或多个字符错误，导致写出的单词不在字典中（Tachibana和Komachi，2016）。然而，在中文中，只要字符能够在计算机系统中输入，它们就被认为是有效的，这导致拼写错误实际上是在计算机语言处理中被误用的字符。考虑到汉字的构成，其中一些字符最初是象形字或形声字（Jerry，1988）。因此，在中文中，拼写错误不仅是语义上混淆的误用字符，还可能是语音或图形上相似的字符（Liu等，2010，2011）。表1展示了两个中文拼写错误的例子。第一个例子中，“平”（flat）所需的语音信息可以帮助我们得到正确的字符“瓶”（bottle），因为它们共享相同的发音“píng”。第二个例子不仅需要语音信息，还需要错误字符“轻”（light）的图形信息。正确的字符“经”（go）与“轻”具有相同的右部偏旁，并且发音相似（“qīng”和“jīng”）。

因此，考虑到中文的内在特性，在CSC任务中，充分利用中文字符的语音和图形知识，以及文本语义是至关重要的。

表1：中文拼写错误的两个示例及其候选修正

类型	示例句子	错误候选	正确候选	翻译
语音相似错误	晚饭后他递给我一平(píng, flat)红酒。	晚饭后他递给我一杯(bēi, cup)红酒。 ✗	晚饭后他递给我一瓶(píng, bottle)红酒。 ✓	He handed me a bottle of red wine after dinner.
图形相似错误	每天放学我都会轻(qīng, light)过这片树林。	每天放学我都会路(lù, pass)过这片树林。 ✗	每天放学我都会经(jīng, go)过这片树林。 ✓	I go through this wood every day after school.

在表格中，"