|
--- |
|
license: afl-3.0 |
|
language: |
|
- zh |
|
tags: |
|
- Chinese Spell Correction |
|
- csc |
|
- Chinese Spell Checking |
|
--- |
|
|
|
# ChienseBERT-for-csc |
|
|
|
中文拼写纠错(Chinese Spell Checking, CSC)模型 |
|
|
|
该模型源于SCOPE论文的复现。 |
|
|
|
原论文为：https://arxiv.org/pdf/2210.10996.pdf |
|
|
|
原论文官方代码为：https://github.com/jiahaozhenbang/SCOPE |
|
|
|
本模型并没有完全复现作者的结果，最终效果比论文中差了一个点，具体原因可参考[#7](https://github.com/jiahaozhenbang/SCOPE/issues/7)。 |
|
|
|
本模型在SIGHAN2015上的表现如下： |
|
|
|
| | Detect-Acc | Detect-Precision | Detect-Recall | Detect-F1 | Correct-Acc | Correct-Precision | Correct-Recall | Correct-F1 | |
|
|--|--|--|--|--|--|--|--|--| |
|
| Chararcter-level | - | - | - | 87.16 | - | - | - | 91.39 | |
|
| Sentence-level | 86.27 | 79.75 | 82.99 | 81.34 | 85.45 | 78.15 | 81.33 | 79.71 | |
|
|
|
|
|
若去掉SCOPE论文中在推理阶段使用的CIC，则在SIGHAN2015上表现如下： |
|
|
|
| | Detect-Acc | Detect-Precision | Detect-Recall | Detect-F1 | Correct-Acc | Correct-Precision | Correct-Recall | Correct-F1 | |
|
|--|--|--|--|--|--|--|--|--| |
|
| Chararcter-level | - | - | - | 86.46 | - | - | - | 91.13 | |
|
| Sentence-level | 85.36 | 78.19 | 82.44 | 80.22 | 85.55 | 76.53 | 80.78 | 78.60 | |
|
|
|
|
|
> 本模型非官方模型，将其中SCOPE部分的拼音辅助训练任务和损失函数计算等相关代码去掉，仅保留了ChineseBERT的部分。 |
|
|
|
# 模型使用方法 |
|
|
|
[](https://colab.research.google.com/github/iioSnail/SCOPE/blob/main/ChineseBERT-for-csc_Demo.ipynb) |
|
|
|
``` |
|
from transformers import AutoTokenizer, AutoModel |
|
|
|
tokenizer = AutoTokenizer.from_pretrained("iioSnail/ChineseBERT-for-csc", trust_remote_code=True) |
|
model = AutoModel.from_pretrained("iioSnail/ChineseBERT-for-csc", trust_remote_code=True) |
|
|
|
inputs = tokenizer(["我是炼习时长两念半的个人练习生蔡徐坤"], return_tensors='pt') |
|
output_hidden = model(**inputs).logits |
|
print(''.join(tokenizer.convert_ids_to_tokens(output_hidden.argmax(-1)[0, 1:-1]))) |
|
``` |
|
|
|
输出： |
|
|
|
``` |
|
我是练习时长两年半的个人练习生蔡徐坤 |
|
``` |
|
|
|
你也可以使用本模型封装的`predict`方法，其中封装了作者提出的CIC方法，可以解决连续错字问题。 |
|
|
|
``` |
|
from transformers import AutoTokenizer, AutoModel |
|
|
|
tokenizer = AutoTokenizer.from_pretrained("iioSnail/ChineseBERT-for-csc", trust_remote_code=True) |
|
model = AutoModel.from_pretrained("iioSnail/ChineseBERT-for-csc", trust_remote_code=True) |
|
|
|
model.set_tokenizer(tokenizer) # 使用predict方法前，调用该方法 |
|
print(model.predict("我是练习时长两念半的鸽仁练习生蔡徐坤", window=0)) # 将窗口设置为0，不使用CIC |
|
print(model.predict("我是练习时长两念半的鸽仁练习生蔡徐坤")) # window默认为1，可以连续处理两个汉字 |
|
``` |
|
|
|
输出： |
|
|
|
``` |
|
我是练习时长两年半的鸽人练习生蔡徐坤 |
|
我是练习时长两年半的个人练习生蔡徐坤 |
|
``` |
|
|
|
# 常见问题 |
|
|
|
1. 网络问题，例如：`Connection Error` |
|
|
|
解决方案：将模型下载到本地使用。批量下载方案可参考该[博客](https://blog.csdn.net/zhaohongfei_358/article/details/126222999) |
|
|
|
2. 将模型下载到本地使用时出现报错：`ModuleNotFoundError: No module named 'transformers_modules.iioSnail/ChineseBERT-for-csc'` |
|
|
|
解决方案：将 `iioSnail/ChineseBERT-for-csc` 改为 `iioSnail\ChineseBERT-for-csc` |
