以实体为中心的中文拼写校正：数据集与方法

《ACM Transactions on Asian and Low-Resource Language Information Processing》：Entity-focused Chinese Spelling Correction: Dataset and Approach

中文拼写纠正通过预训练语言模型增强，重点解决实体词错误。构建首个公共实体拼写纠正数据集EFCSC，提出实体知识注入语言模型EKILM，实验证明其纠正性能优于基线模型。

　　

摘要

由于预训练语言模型具有强大的表示能力，中文拼写校正模型的性能得到了显著提升。然而，预训练语言模型主要关注上下文信息，并将所有单词平等对待，从而忽略了实体信息。在实际应用中，实体词是各种人工智能任务（如机器翻译、光学字符识别和自动语音识别）中最难处理的部分。为了解决这个问题，我们首先构建了一个以实体为中心的中文拼写校正（EFCSC）数据集，这是首个专门针对实体错误进行标注的公开拼写校正语料库。此外，我们提出了一种基于实体知识的语言模型（EKILM），该模型将实体信息注入到预训练语言模型中，从而使传统的拼写校正模型更加关注实体词。在多个基准数据集上的实验表明，我们提出的模型性能优于所有现有的强基线模型，在所有数据集上都取得了领先的结果。广泛的实验和详细分析证明，我们提出的模型在提升实体错误校正能力的同时，没有损害正常的拼写校正性能。我们的代码和数据集将发布在 https://github.com/DPloved/EFCSC，以促进未来的研究。