论文解读:SpellBERT:A Lightweight Pretrained Model for Chinese Spelling Checking
简要信息:
序号 | 属性 | 值 |
---|---|---|
1 | 模型名称 | SpellBERT |
2 | 发表位置 | EMNLP2021 |
3 | 所属领域 | 自然语言处理、中文拼写纠错 |
4 | 研究内容 | 中文拼写纠错 |
5 | 核心内容 | 预训练语言模型 |
6 | GitHub源码 | https://github.com/benbijituo/SpellBERT/ |
7 | 论文PDF | https://dl.acm.org/doi/10.1145/3404835.3463050 |
一、动机
-
中文含有超过3500个词组成的词表,搜索空间太大,且错误分布不均匀;
-
中文的错误一般包含形似(Graphical)和音似(Phonetic)两种情况,如图所示:
-
先前的工作关注于confusion set的构建,而confusion set的质量会对纠错效果起到影响;
Confusion set是指混淆集,简单地认为是一个字典,key表示目标字符,value则为一系列与Key存在字形或字音相似的字符集合。例如“自”的混淆集可以是“白”、“曰”等。
- 本文依然利用视觉和语音方面信息,不同于先前工作,视觉部分,采用部首偏旁信息,语音部分,则将整个pinyin视为整体,而非序列;
二、方法
提出SpellBERT模型,将CSC视为序列标注问题,即输入一个文本序列,输出等长的文本序列。模型如下图所示:
2.1 MLM
backbone采用基于MLM的预训练语言模型(例如BERT)。BERT输入为一个待纠错的文本序列,输出部分是每个token对应的隐状态向量:
e i = B E R T E m b e d d i n g ( x i ) \mathbf{e}_i=BERTEmbedding(\mathbf{x}_i) ei=BERTEmbedding(xi)
h i = B E R T E n c o d e r ( e i ) \mathbf{h}_i=BERTEncoder(\mathbf{e}_i) hi=BERTEncoder(ei)
其中 h i \mathbf{h}_i hi 表示第 i i i 个token的隐状态向量,将其与所有word embedding计算相似度,得到当前token预测的概率分布: y ^ = Softmax ( h i E T ) \hat{\mathbf{y}}=\text{Softmax}(\mathbf{h}_i\mathbf{E}^T) y^=Softmax(hiET)。
2.2 Visual & Phonetic Fusion
视觉和语音信息是CSC中的关键,而confusion set无法完全包含所有的错误,本部分则探究如何将这视觉和语音方面的信息与word embedding进行融合;
- Visual errors have similar shapes as correct characters while phonetic errors have similar pronunciation. 中文的拼写错误通常来源于相似字形或相似读音所导致。
- These models relied on confusion set to filter candidates but the confusion set might be out-of-date or out-of-domain. 现有的工作直接构建固定的混淆集,使得很难确保所有的错误都能被涵盖;
- Chinese characters can be decomposed into components namely radicals and visual errors often have overlap radicals with the correct character. Pinyin is a sequence of pronunciation descriptions for Chinese characters and phonetic errors often have overlap pinyin.
因此,本文引入图网络实现信息融合,具体地说,采用Relational Graph Convolutional Network(R-GCN)。
(1)图的构建:
- 对于一个文本,每个汉字(character)、偏旁部首以及pinyin都可以视为一个节点。如果某个偏旁或pinyin属于某个汉字,则它们之间有边相连
- 如果两个汉字(character)相邻,则二者存在一条边;
- 另外对于每个汉字,添加自环
因此,整个图存在四种类型的边:
- 字符与偏胖部首:如果一个字符包含某一个偏旁部首,则之间存在边;
- 字符与拼音:如果一个字符存在某一个发音,则之间存在边;
- 相邻字符:如果两个字符在一定窗口内共现,则之间存在边;
- 自环:每个字符均与自己本身存在环边;
(2)节点初始化:
- 每个汉字(character)节点,直接使用BERT word embedding;
- 对于偏旁部首和汉字节点,将所有与之相关的character emebdding进行平均;
(3)迭代表征:
其中 e i \mathbf{e}_i ei 表示汉字 x i \mathbf{x}_i xi, e j \mathbf{e}_j ej 表示与 x i \mathbf{x}_i xi 相邻的所有节点,最终得到的 e i ^ \hat{\mathbf{e}_i} ei^ 表示融合pinyin和graphy信息的word embedding。
基于R-GCN的表征,喂入BERT中: h i = B E R T E n c o d e r ( e i + e ^ i ) \mathbf{h}_i=BERTEncoder(\mathbf{e}_i + \hat{\mathbf{e}}_i) hi=BERTEncoder(ei+e^i)
2.3 Enhance Pre-training Tasks for CSC
因为添加了一些新的模块,作者认为需要进行预训练来提高模型的泛化能力。因此新增radical prediction和pinyin prediction两个预训练任务。
对于构建的图,随机mask掉汉字(character)节点与偏旁部首或pinyin相连的边,然后预测它们之间是否存在边,即相当于reconstruction connection。
Through reconstructing connections, the model can learn a better representation that contains not only contextual information but also visual and phonetic information.
随机挑选15%的character,其中:
- 10%概率保持不变,预测character、radical和pinyin;
- 60%被替换为[MASK],与其相连的所有边随机mask80%的边。预测被mask掉的character、radical和pinyin;
- 30%概率从confusion set中随机采样一个错误的character,同时与其相连的所有边随机mask80%的边,预测被替换的character、radical和pinyin;
因为图中的边没有embedding,因此将radical prediction和pinyin prediction视为token classification任务:
- 对于某个character,取对应的某个radical和pinyin作为groud truth,并再取其他radical和pinyin作为负样本;
- radical和pinyin embedding与character的BERT表征后的向量计算相似度。
2.4 Reducing Parameter
作者认为,模型中既包含BERT,又包含GCN,参数量可能会很大,因此提出Reducing操作,即只使用4层的BERT作为backbone。实验也说明只需要4层的backbone就能达到很好效果。
三、实验
backbone:4层BERT
pre-training语料:https://zenodo.org/record/3402023#.YZs2n5BBy3K,随机挑选1M训练,max_len=128,batch_size=1024,lr=5e-5,step=10K,训练2天时间。
fine-tuning
数据集:SIGHAN14、SIGHAN15、OCR
(1)SIGHAN14、SIGHAN15
直接使用https://github.com/ACL2020SpellGCN/SpellGCN/tree/master/data提供的数据,其中:
- merged:表示SIGHAN13、SIGHAN14和SIGHAN15混合训练集(10K):
- SIGHAN13、SIGHAN14、SIGHAN15:分别表示测试集
同时获取《A Hybrid Approach to Automatic Corpus Generation for Chinese Spelling Check》
评价脚本:
(2)OCR
使用《FASPell: A Fast, Adaptable, Simple, Powerful Chinese Spell Checker Based On DAE-Decoder Paradigm》构建的数据集:https://github.com/iqiyi/FASPell,总共4575句子
实验结果: