[人工智能]论文解读：FASPell: A Fast Adaptable Simple Powerful Chinese Spell Checker Based On DAE-Decoder Paradig

论文解读：FASPell: A Fast, Adaptable, Simple, Powerful Chinese Spell Checker Based On DAE-Decoder Paradigm

简要信息：

动机：

• 近年来拼写错误在英文上得以应用，但由于英文与中文在语义和语法上的差异性，在你英文上的方法无法直接用在中文上；
• 先前的中文拼写纠错建立在confusion set（相似字符集合），filter从候选字符中挑选最佳的字符，但其依然有两个问题：（1）在数据资源不足时候容易过拟合；（2）使用confusion set并不灵活和有效

inflexibility to address the issue that confusing characters in one scenario may not be confusing in another.
insufficiency in utilizing character similarity.

• 优势：提出的方法更加快，更加自适应，更加简单以及更加健壮。

方法：

??本文提出一种FASPell模型，包含Denoising Autoencoder（DAE）和Decoder模块，遵循Encoder-Decoder架构。其中Masked Language Model（MLM）作为DAE模块来生成candidate，Confidence-similarity Decoder则用来过滤candidate。

Masked Language Model

??MLM是BERT中的一个任务，给定一个文本，80%的token被替换且[MASK]，10%的token被替换为其他token，剩余10%保持不变。MLM的任务则是预测[MASK]对应的token。可以换一个角度来理解MLM，如果将[MASK]token当作错误的拼写，则MLM恰巧就是取纠正这个错误。而还有一部分的token是保持不变的，即还需要模型能够检测token是否是错误的拼写。因此MLM兼具拼写检测和纠正两个作用。

??考虑到随机mask的token与真实场景下的错误拼接是有差距的，因此本文提出在拼写检测数据集上的微调方法：

• 如果给定的文本不存在错误拼写，则按照原来的MLM训练；
• 如果给定的文本存在错误拼写。有两种生成训练数据方法：（1）对于错误的拼写token，将其mask掉，并将label对应于真实的token；（2）为了避免过拟合，对没有拼写错误的token进行mask掉，并将label对应于这个token。

Character Similarity

??作者认为MLM起到的作用并非强大，因此有必要添加一个decoder。
错误的中文字符通常与正确的字符存在视觉和发音的相似性，而在OCR任务中则偏向于视觉相似性。

visual similarity

??在视觉相似性中，通常选择表意描述序列（Ideographic Description Sequence (IDS)）来表示字符的字形，本质上是有序树的前序遍历路径。

对字形进行计算时主要采用CJK字的细粒度IDS表示

??在定义视觉相似性，本文只使用IDS，两个字符之间的相似性则使用1减去正则化的IDS序列Levenshtein编辑距离来表示。

• 此时相似性值在0-1之间；
• 如果一对较复杂的字符与一对较不复杂的字符具有相同的编辑距离，我们希望较复杂字符的相似度略高于较不复杂字符的相似度

Phonological Similarity

??本文利用字符的发音相似性。两个字符之间的发音相似性则使用1减去正则化的音标序列Levenshtein编辑距离来表示。

考虑到中文同音字的影响，在进行字音相似度计算时采用了汉字在普通话（MC）、粤语（CC）、日语（JO）和韩语（K）中的不同发音共同进行字音相似度的计算。

Confidence-Similarity Decoder（CSD）

??传统的candidate filter方法是为多个候选字符的特征设置不同的阈值和权重。而本文则使用confidence-similarity decoder（结合上下文置信度和字符相似性）

如上图，对于所有候选的candidate，可以获得相应的confidence score和character similarity。2-4则是三种过滤曲线。

In FASPell, we optimize correction performance and manually find the filtering curve using a training set, assuming its consistency with its corresponding testing set. But in practice, we have to find two curves – one for each type of similarity, and then take the union of the filtering results.
在 FASPell 中，我们优化校正性能并使用训练集手动找到过滤曲线，假设其与相应的测试集一致。 但在实践中，我们必须找到两条曲线——每种相似度都对应一条曲线，然后取过滤结果的并集。

??请注意，使用提出的置信相似度解码器，替换的最终选择不一定是排名第一的候选者。

理解：利用训练集文本通过MLM输出的矩阵，逐行绘制语境把握度-字符相似度散点图，确定能将FP和 TP分开的最佳分界曲线。推理阶段，逐行根据分界线过滤掉FP得到TP结果，然后将每行的结果取并集得到最终替换结果。
以图1为例，句子首先通过fine-tune训练好的MLM模型，得到的候选字符矩阵通过CSD进行解码过滤，第一行候选项中只有“主”字没有被CSD过滤掉，第二行只有“著”字未被过滤掉，其它行候选项均被分界线过滤清除，得到最终输出结果，即“苦”字被替换为为“著”，“丰”被替换为“主”。

实验

数据集：

实验设置： 使用BERT的预训练MLM，超参数则与BERT一致；
在OCR识别的数据集上，不使用MLM的Fine-tuning；

评价指标：
选择Acc、Recall和F1作为评价指标，在detection和correction分别进行评测。

实验结果：

优点： 使用MLM预测候选，生成的方式替代了pt表，整个流程非常简单，需要的标注数据也很少，排序时使用字音字形特征，尤其是字音使用多种汉字发音，可解释性也比较好。

缺点： 只能解决错字场景，多字/少字/乱序场景不支持(这种一般都是实体类型，可单独解决)