Deep Context Language Model for Chinese Spelling Correction

Features

• 基于上下文预测该未知词，类似CBOW的处理方式
• 多层级的双向lstm模型，文本语义表征能力更强
• 简单MLP预测未知词，基于mask token predict做token级别纠错

Usage

快速加载

pycorrector快速预测

example: examples/deepcontext/demo.py

from pycorrector import DeepContextCorrector
m = DeepContextCorrector()
print(m.correct_batch(['今天新情很好', '你找到你最喜欢的工作，我也很高心。']))

output:

[{'source': '今天新情很好', 'target': '今天心情很好', 'errors': [('新', '心', 2)]},
{'source': '你找到你最喜欢的工作，我也很高心。', 'target': '你找到你最喜欢的工作，我也很高兴。', 'errors': [('心', '兴', 15)]}]

Dataset

toy train data

中文维基百科200条数据，见 examples/data/wiki_zh_200.txt

big train data

中文维基百科文本均可，本质上是训练一个文本语言模型。

• 16GB中英文无监督、平行语料Linly-AI/Chinese-pretraining-dataset
• 524MB中文维基百科语料wikipedia-cn-20230720-filtered

• 人民日报2014版熟语料，网盘链接:https://pan.baidu.com/s/1971a5XLQsIpL0zL0zxuK2A 密码:uc11

  Train model

  python train.py --do_train --do_predict
  

Predict model

python predict.py

output:

input  : 老是较书。
predict: 老师教书。 [('是', '师', 1, 2), ('较', '教', 2, 3)]

Reference

• https://github.com/SenticNet/context2vec