蘇錦鈿 余珊珊 洪曉斌

（1.華南理工大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，廣東 廣州 510006；2.廣東藥科大學(xué) 醫(yī)藥信息工程學(xué)院，廣東 廣州 510006；3.華南理工大學(xué) 機(jī)械與汽車工程學(xué)院，廣東 廣州 510640）

中文拼寫糾錯(cuò)（CSC）也稱中文拼寫檢測，是自然語言處理（NLP）及中文文本分析中的一個(gè)重要子任務(wù)和研究方向，其主要目的是利用計(jì)算機(jī)技術(shù)識別中文文本中包含的拼寫錯(cuò)誤并進(jìn)行糾正［1-3］。早期的研究主要以基于規(guī)則、N-元語法、統(tǒng)計(jì)機(jī)器翻譯和神經(jīng)網(wǎng)絡(luò)的方法為主，如NMT［4］和CPN［2］等。近幾年，隨著Transformer 結(jié)構(gòu)［5］及以BERT［6］為代表的預(yù)訓(xùn)練語言模型在多個(gè)NLP任務(wù)中取得了突出的效果，一些學(xué)者陸續(xù)將預(yù)訓(xùn)練語言模型引入到CSC任務(wù)中，并提出一系列新的拼寫糾錯(cuò)模型，如FASPell［1］、SM-BERT［3］、SpellGCN［7］、DCN［8］、DCSpell［9］、PLOME［10］、PHMOSpell［11］、ReaLiSe［12］等。

相對于早期其他的CSC 工作，BERT 和RoBERTa［13］等預(yù)訓(xùn)練語言模型可以通過海量文本預(yù)訓(xùn)練和下游任務(wù)微調(diào)的方式更好地學(xué)習(xí)字詞及句子的語義和上下文信息，從而進(jìn)一步提升模型在CSC任務(wù)中的效果。但BERT 等在預(yù)訓(xùn)練過程中主要利用掩碼語言模型（MLM）隨機(jī)屏蔽句子中的字，然后結(jié)合上下文預(yù)測其正確值。這一方面假定文本序列中各個(gè)字相互獨(dú)立，即忽略詞組中各個(gè)字之間的依賴關(guān)系；另一方面影響了模型對拼寫錯(cuò)誤的識別和糾正能力，且沒有考慮錯(cuò)誤字詞在發(fā)音和字形上的相似性，從而導(dǎo)致預(yù)訓(xùn)練和微調(diào)目標(biāo)不一致。針對BERT 的字獨(dú)立性假設(shè)及預(yù)訓(xùn)練與微調(diào)階段不一致問題，文獻(xiàn)［14］在英文BERT 的全詞掩碼（WWM）模型基礎(chǔ)上，結(jié)合中文的特點(diǎn)提出一個(gè)基于全詞和連續(xù)詞組掩蔽策略的MacBERT 模型。但MacBERT在CSC任務(wù)中同樣面臨預(yù)訓(xùn)練與微調(diào)目標(biāo)不一致問題，特別是CSC中的大部分錯(cuò)誤主要是因?yàn)榘l(fā)音或字形相近引起的，而不是同義詞誤用，并且很少出現(xiàn)連續(xù)多個(gè)詞拼寫錯(cuò)誤的情況。

本文針對BERT 的中文拼寫錯(cuò)誤識別及糾正能力不足問題，提出一種面向中文拼寫糾錯(cuò)的自監(jiān)督預(yù)訓(xùn)練方法MASC，將BERT中的MLM和MacBERT中的Mac任務(wù)轉(zhuǎn)換成基于混淆集的拼寫錯(cuò)誤識別及糾正任務(wù)；在全詞掩碼的基礎(chǔ)上利用混淆集從音調(diào)相同、音調(diào)相近和字形相近等多個(gè)方面構(gòu)造拼寫錯(cuò)誤候選字，給出相應(yīng)的掩碼策略、替換策略和預(yù)訓(xùn)練任務(wù)，從而進(jìn)一步增強(qiáng)BERT 的拼寫錯(cuò)誤識別及糾正能力；還通過sighan13、sighan14 和sighan15等公開CSC 語料集上的實(shí)驗(yàn)證明MASC 能夠在不改變BERT/RoBERTa/MacBERT 等模型現(xiàn)有結(jié)構(gòu)的前提下，進(jìn)一步提升它們在下游CSC任務(wù)中的效果。

1 相關(guān)工作

與英文拼寫糾錯(cuò)相比，中文拼寫糾錯(cuò)面臨更多的困難和挑戰(zhàn)，特別是中文字詞之間沒有定界符、缺乏形態(tài)上的變化和嚴(yán)重依賴于上下文語義等特點(diǎn)，使得對中文拼寫錯(cuò)誤字符的識別及糾正高度依賴上下文語境。近幾年，隨著各種預(yù)訓(xùn)練語言模型在許多NLP任務(wù)上取得一系列突出的成果，部分學(xué)者開始將它們引入到CSC中。文獻(xiàn)［1］提出一種基于去噪自動編碼器（DAE）和解碼器的中文拼寫檢查器——FASPell，其中DAE 采用BERT 中的掩碼語言模型，而解碼器采用把握度-字符相似度解碼器；文獻(xiàn)［2］提出一個(gè)雙向GRU 和BERT 的SM-BERT 模型，其主要思路是通過一個(gè)基于雙向GRU 的錯(cuò)誤檢測網(wǎng)絡(luò)識別句子中可能出錯(cuò)的字的位置，并利用這些位置信息對糾錯(cuò)網(wǎng)絡(luò)中的輸入句子進(jìn)行軟掩碼，從而讓模型學(xué)習(xí)只針對可能出錯(cuò)的字進(jìn)行糾正，而非句子中所有的字；文獻(xiàn)［8］提出一種基于動態(tài)連接網(wǎng)絡(luò)的DCN 模型，其主要思路是在RoBERTa［13］的基礎(chǔ)上利用拼音增強(qiáng)候選生成器生成候選的中文字，并通過注意力網(wǎng)絡(luò)對相鄰中文字間的依賴關(guān)系進(jìn)行建模；文獻(xiàn)［7］提出一種拼寫檢查卷積圖網(wǎng)絡(luò)Spell-GCN，通過結(jié)合BERT 和卷積圖網(wǎng)絡(luò)刻畫字符的發(fā)音/形狀相似性知識以及字之間的先驗(yàn)依賴關(guān)系，并生成正確的拼寫校正；文獻(xiàn)［15］在Transformer注意力機(jī)制的基礎(chǔ)上添加高斯分布的偏置矩陣，用于提高模型對局部文本的關(guān)注程度，同時(shí)使用ON_STM 模型對錯(cuò)誤文本表現(xiàn)出的特殊語法結(jié)構(gòu)特征進(jìn)行語法信息提??；文獻(xiàn)［16］則提出一種融合漢字多特征嵌入的端到端中文拼寫檢查算法模型BFMBERT，主要利用結(jié)合混淆集的預(yù)訓(xùn)練任務(wù)讓BERT 學(xué)習(xí)中文拼寫錯(cuò)誤知識。總的來說，這些工作均證明了BERT和RoBERTa等預(yù)訓(xùn)練語言模型能夠進(jìn)一步改善字詞及句子的語義表征，從而提升模型在下游CSC 任務(wù)中的效果。但由于BERT 和RoBERTa等模型在預(yù)訓(xùn)練過程中是通過上下文信息學(xué)習(xí)字詞的語義，而CSC任務(wù)中拼寫錯(cuò)誤的字詞通常是離散出現(xiàn)的，因此導(dǎo)致預(yù)訓(xùn)練語言模型一方面在拼寫錯(cuò)誤識別方面存在一定的不足，另一方面在糾正時(shí)往往需通過額外的神經(jīng)網(wǎng)絡(luò)層引入錯(cuò)誤字詞和正確字詞在音調(diào)或字形等方面的相似性知識。

文獻(xiàn)［14］在英文BERT 的全詞掩碼WWM 基礎(chǔ)上，結(jié)合中文的特點(diǎn)提出一個(gè)基于全詞和詞組掩蔽策略的模型MacBERT。MacBERT 將BERT 中的MLM 任務(wù)轉(zhuǎn)換為面向同義詞替換的文本校正任務(wù)，即讓模型學(xué)習(xí)如何將替換后的同義詞識別為原來的字詞，目的是縮小預(yù)訓(xùn)練和微調(diào)階段之間的差距。但MacBERT 在CSC 中同樣面臨預(yù)訓(xùn)練與微調(diào)不一致的問題。一方面，CSC中的大部分拼寫錯(cuò)誤并不是由同義詞誤用引起的，而是由音調(diào)相同、音調(diào)相近或字形相似等因素導(dǎo)致的；另一方面，CSC中一般以單個(gè)的字或單詞拼寫錯(cuò)誤為主，很少出現(xiàn)連續(xù)多個(gè)詞組的拼寫錯(cuò)誤。

文獻(xiàn)［17］指出約83%的中文拼寫錯(cuò)誤與音調(diào)相似性相關(guān)，48%與字形相似性相關(guān)。表1 給出了CSC中一些常見的拼寫錯(cuò)誤及原因，其中粗斜體部分表示錯(cuò)誤的字詞，括號中的粗體為正確字詞，方括號中為錯(cuò)誤字詞與正確字詞的拼音。

表1 常見中文拼寫錯(cuò)誤例子Table 1 Examples of common CSC errors

CSC中大部分的拼寫錯(cuò)誤主要是因?yàn)橐粽{(diào)相同、音調(diào)相近或字形相近等引起的，但BERT/RoBERTa/MacBERT等預(yù)訓(xùn)練語言模型在預(yù)訓(xùn)練過程中均沒有考慮這些相似性知識。文獻(xiàn)［18］嘗試在預(yù)訓(xùn)練階段引入拼音相似性知識，并提出了混淆漢字和噪聲拼音的替換策略；文獻(xiàn)［19］也在BERT的基礎(chǔ)上提出一個(gè)預(yù)訓(xùn)練模型SpellBERT，并利用圖神經(jīng)網(wǎng)絡(luò)將字的偏旁部首和拼音信息引入到預(yù)訓(xùn)練任務(wù)中。但這些工作均沒有進(jìn)一步探討如何利用現(xiàn)有的混淆集更好地融合發(fā)音和字形等相似性知識。文獻(xiàn)［10］提出的PLOME在訓(xùn)練預(yù)訓(xùn)練語言模型時(shí)引入基于語義混淆集的MASK 策略，并將拼音和筆畫作為預(yù)訓(xùn)練語言模型以及模型微調(diào)的輸入，但需依賴于額外的筆畫知識；文獻(xiàn)［11］則結(jié)合光學(xué)字形識別（OCR）及自動語音識別（ASR），從多模態(tài)的角度對拼音特征、字形特征、語音特征進(jìn)行信息融合和錯(cuò)誤字預(yù)測；文獻(xiàn)［12］同樣也利用了中文字符上的語義、聲音和字形等多模態(tài)信息。但這些工作均需要在下游任務(wù)中對不同模態(tài)信息進(jìn)行融合。因此本文的主要目的是在上述工作的基礎(chǔ)上，通過預(yù)訓(xùn)練任務(wù)和混淆集將中文拼寫糾錯(cuò)中錯(cuò)誤字詞與正確字詞間的音調(diào)及字形相似性知識引入到預(yù)訓(xùn)練語言模型中，從而提升模型在下游CSC任務(wù)中的拼寫錯(cuò)誤識別及糾正能力。

2 面向中文拼寫糾錯(cuò)的自監(jiān)督預(yù)訓(xùn)練MASC

下面提出一種中文拼寫糾錯(cuò)掩碼語言模型的自監(jiān)督預(yù)訓(xùn)練方法MASC。

2.1 MASC預(yù)訓(xùn)練

BERT中的MLM在預(yù)訓(xùn)練過程中對每一個(gè)句子隨機(jī)選擇其中15%的字，然后用［MASK］標(biāo)記進(jìn)行掩碼后，通過預(yù)訓(xùn)練讓模型學(xué)習(xí)如何根據(jù)上下文信息預(yù)測被掩碼字的真實(shí)值。每一個(gè)字被選中并進(jìn)行掩碼的概率為15%，被選中的字當(dāng)中有80%的概率被［MASK］標(biāo)記替換、10%的概率保持不變、10%的概率隨機(jī)用詞匯表中的字進(jìn)行替換。

MASC采用類似于MLM的選擇策略，但是對每一個(gè)被選中進(jìn)行掩碼的字，利用混淆集得到相應(yīng)的候選字后進(jìn)行替換，最后通過訓(xùn)練讓模型學(xué)習(xí)根據(jù)上下文信息預(yù)測被替換字的真實(shí)值以及是否存在拼寫出錯(cuò)。具體來說，MASC的流程如圖1所示。

圖1 MASC的流程Fig.1 Process of MASC

具體來說，MASC主要采用以下策略。

（1）基于全詞掩碼和N-grams語法的掩碼策略

MASC 在BERT 的全詞掩碼WWM 基礎(chǔ)上，結(jié)合MacBERT的N-grams掩碼策略，采用一元和二元詞的字掩碼方式。由于一般文本中的大部分錯(cuò)誤為單字或某個(gè)單詞，很少連續(xù)多個(gè)單詞出現(xiàn)錯(cuò)誤，因此MASC 中只考慮一元詞（字）和二元詞（連續(xù)兩個(gè)字或完整的單詞）的掩碼策略。具體來說，選擇輸入句子中15%的字進(jìn)行替換，被選中的字有90%的概率為一元詞組、10%的概率為二元詞。若被選中的字為某個(gè)詞組的字，則有15%的概率同時(shí)選擇該詞組中的其他字。掩碼選擇算法selectMasked-Char的核心偽代碼表示如下：

（2）基于混淆集的替換策略

MASC在文獻(xiàn)［2］中的混淆集基礎(chǔ)上結(jié)合PinYin工具進(jìn)行擴(kuò)充，并劃分為同音同調(diào)、同音異調(diào)、近音同調(diào)、近音異調(diào)和字形相近5種不同類型。

對于每一個(gè)待掩碼的字或詞，采用以下替換策略：40%的概率采用同音同調(diào)字典，15%的概率采用同音異調(diào)字典，15%的概率采用近音同調(diào)字典，10%的概率采用近音異調(diào)字典，10%的概率采用字形相近字典，10%的概率保持不變。表2給出了不同掩碼方法的示例，其中每一個(gè)“+”表示在前一個(gè)“+”基礎(chǔ)上繼續(xù)增加新的掩碼方法，例如“++WWM”表示在上一行“+MLM”的基礎(chǔ)上增加WWM。

替換策略算法charMaskWithConfuseSet 的部分核心偽代碼表示如下：

2.2 基于MASC的預(yù)訓(xùn)練模型

為了最大程度地利用BERT/RoBERTa/MacBERT 等預(yù)訓(xùn)練模型中已學(xué)習(xí)到的大量知識，MASC 采用原有的預(yù)訓(xùn)練模型結(jié)構(gòu)，如圖2 所示。其中，ai（1≤i≤n）和bj（1≤j≤m）分別表示輸入長度為n和m的句子A和B中的各個(gè)字符。

圖2 基于MASC的預(yù)訓(xùn)練模型結(jié)構(gòu)Fig.2 Pre-training model structure of MASC

為了區(qū)別一般的BERT/RoBERTa/MacBERT，將基于MASC 的BERT/RoBERTa/MacBERT 的模型分別記為MascBERT/MascRoBERTa/MascMacBERT。

以MascBERT 為例，預(yù)訓(xùn)練任務(wù)可形式化地定義為：給定任意一對中文文本序列A=｛a1，a2，…，an｝和B=｛b1，b2，…，bm｝，根據(jù)BERT 的輸入要求將A和B進(jìn)行串聯(lián)并構(gòu)造成輸入序列X=｛x0，x1，…，xt｝，其中t=n+m+2：

MascBERT 通過詞向量嵌入層Embedding 和多層連續(xù)Transformer隱層將輸入X轉(zhuǎn)換為上下文表示H（L）∈RN×d，其中L為隱層數(shù)量，N為輸入的字符最大長度（通常最大為512），d為隱層的詞向量維度（通常為768或1 024）：

在H（L）的基礎(chǔ)上，MascBERT 的主要目標(biāo)是預(yù)測替換后的文本序列中拼寫錯(cuò)誤字的正確值以及是否存在拼寫錯(cuò)誤。對于替換后的錯(cuò)誤字的隱層向量用子集Hm∈Rk×d表示，其中k為被替換字的總數(shù)。默認(rèn)情況下與BERT 一樣采用輸入序列長度的15%作為k的值，即k=int（t×15%）。

對于訓(xùn)練集中的第i個(gè)句子，利用待訓(xùn)練參數(shù)矩陣W1∈R|V|×d和偏置向量b1∈ RM將Hm投影到詞匯表V上并預(yù)測相應(yīng)的概率分布pi：

利用標(biāo)準(zhǔn)交叉熵函數(shù)Losscor計(jì)算相應(yīng)的糾正損失值：

式中，M為每一批數(shù)據(jù)的數(shù)量，yij為M中第i個(gè)句子的第j個(gè)字的正確值；pij為M中第i個(gè)句子的第j個(gè)被替換字在詞匯表V中的概率分布。

為了進(jìn)一步提高模型對拼寫錯(cuò)誤的識別能力，MascBERT 同時(shí)還對句子中各個(gè)位置上是否存在拼寫錯(cuò)誤進(jìn)行判斷。利用待訓(xùn)練參數(shù)矩陣W2∈R1×d和偏置向量b2∈RM對H（L）進(jìn)行轉(zhuǎn)換，并利用sigmoid 函數(shù)計(jì)算相應(yīng)的錯(cuò)誤概率值qi：

qi中每一個(gè)位置的值越接近1，則表示該位置出現(xiàn)拼寫錯(cuò)誤的概率越大。利用二元交叉熵函數(shù)Lossdet計(jì)算相應(yīng)的錯(cuò)誤識別損失值，其中l(wèi)ij（1≤j≤t）為第i個(gè)句子中第j個(gè)位置是否出現(xiàn)拼寫錯(cuò)誤的正確值，“1”表示存在拼寫錯(cuò)誤，“0”表示不存在拼寫錯(cuò)誤：

BERT的預(yù)訓(xùn)練任務(wù)除MLM外，還包括句子相鄰關(guān)系預(yù)測任務(wù)NSP。ALBERT［20］和MacBERT［14］針對NSP的效果不佳問題，進(jìn)一步提出句子順序關(guān)系預(yù)測SOP。對于MASC，可根據(jù)需要結(jié)合NSP 或SOP等其他預(yù)訓(xùn)練任務(wù)，相應(yīng)的損失函數(shù)分別為

式中，LossNSP、LossSOP分別為針對NSP和SOP任務(wù)的損失函數(shù)。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)準(zhǔn)備

為了利用MASC 進(jìn)行預(yù)訓(xùn)練，實(shí)驗(yàn)從文獻(xiàn)［21］的生成語料集ACG中隨機(jī)選擇3萬個(gè)目標(biāo)正確句子作為預(yù)訓(xùn)練語料集，記為ACG3W；同時(shí)，還采用漢語水平考試（HSK）語料集中的部分句子作為預(yù)訓(xùn)練數(shù)據(jù)。HSK 語料集共包含156 820 個(gè)句子，最大長度為417 個(gè)字，平均長度為27.35 個(gè)字?？紤]到訓(xùn)練效率和句子表達(dá)完整性等因素，只從HSK語料集中選擇3萬個(gè)句子作為預(yù)訓(xùn)練數(shù)據(jù)，每條數(shù)據(jù)的長度在12到120個(gè)字之間，并以句號、問號和感嘆號等結(jié)尾，記為HSK3W。

因?qū)嶒?yàn)條件和篇幅限制，實(shí)驗(yàn)中只選擇3個(gè)最常用的BERT 中文預(yù)訓(xùn)練語言模型作為基礎(chǔ)模型進(jìn)行新的MASC 預(yù)訓(xùn)練，包括：bert-base-chinese、chinese-bert-wwm和chinese-macbert-base，分別簡單記為base、wwm 和macbert。3 個(gè)模型均包含12 個(gè)隱層、12個(gè)多頭自注意力，輸出張量為768維，參數(shù)量約為1.1 億，詞匯量約為2.1 萬。第1 個(gè)模型的原始預(yù)訓(xùn)練采用MLM和NSP，第2個(gè)模型采用全詞掩碼的MLM和NSP，第3個(gè)模型采用N-grams（包括一元、二元和三元詞組），并利用近義詞代替［MASK］進(jìn)行預(yù)測。

預(yù)訓(xùn)練過程采用批量訓(xùn)練的方式，每一批數(shù)據(jù)的數(shù)量為32，學(xué)習(xí)率為5×10-5，共訓(xùn)練5 輪，并采用Adam優(yōu)化器。由于原始HSK和ACG中的數(shù)據(jù)大部分為單個(gè)句子，因此預(yù)訓(xùn)練過程中只考慮MASC及相應(yīng)的Lossdet和Losscor，而忽略NSP或SOP任務(wù)。

為驗(yàn)證MASC 的有效性，實(shí)驗(yàn)用3 個(gè)經(jīng)典的公開CSC語料集sighan13［22］、sighan14［23］和sighan15［24］，并參照文獻(xiàn)［2］的做法，利用OpenCC工具將各語料集中的繁體中文句子轉(zhuǎn)換成簡體中文，同時(shí)利用PinYin工具獲取混淆集中各個(gè)單詞的拼音信息。3個(gè)語料集的相關(guān)統(tǒng)計(jì)信息如表3所示。

表3 3個(gè)CSC語料集的統(tǒng)計(jì)信息1）Table 3 Statistical information about three corpora

由于各語料集中句子的最大長度均明顯小于512 個(gè)字，因此在微調(diào)和測試過程中均取其最大長度值作為閾值。

與文獻(xiàn)［1，3，7］等其他工作類似，實(shí)驗(yàn)中均采用CSC任務(wù)中常用的句子級別精確率P（Precision）、召回率R（Recall）和F1 值等作為評價(jià)指標(biāo)，并區(qū)分錯(cuò)誤識別網(wǎng)絡(luò)D（Detection Network）和糾正網(wǎng)絡(luò)C（Correction Network）。例如，PD和PC分別表示識別網(wǎng)絡(luò)和糾正網(wǎng)絡(luò)的精確率，RD和RC分別表示識別網(wǎng)絡(luò)和糾正網(wǎng)絡(luò)的召回率，F(xiàn)1D和F1C分別表示識別網(wǎng)絡(luò)和糾正網(wǎng)絡(luò)的F1 值。同時(shí)，為了減少參數(shù)初始化及訓(xùn)練過程中產(chǎn)生的偏差，在下游任務(wù)中取3次獨(dú)立微調(diào)和測試的結(jié)果平均值作為最終實(shí)驗(yàn)結(jié)果。

3.2 預(yù)訓(xùn)練語言模型對比

為了分別對比原始base、wwm 和macbert 與采用MASC進(jìn)行再次預(yù)訓(xùn)練后的效果，本實(shí)驗(yàn)采用文獻(xiàn)［7］中BERT 的類似結(jié)構(gòu)，在最后Transformer 隱層輸出序列的基礎(chǔ)上，分別利用sigmoid 和softmax層用于錯(cuò)誤識別和糾正判斷。表4給出了采用不同預(yù)訓(xùn)練語言模型后MASC 在3 個(gè)語料集上的效果，后綴agc、hsk和all分別表示采用ACG3W、HSK3W和同時(shí)采用ACG3W及HSK3W進(jìn)行MASC預(yù)訓(xùn)練的結(jié)果?；赽ase 的MASC 即相當(dāng)于文獻(xiàn)［21］中的BERT 模型，實(shí)驗(yàn)結(jié)果來自于相應(yīng)文獻(xiàn)；其他實(shí)驗(yàn)結(jié)果均為本文的實(shí)驗(yàn)結(jié)果。粗體部分表示在該語料集上不同模型的最好效果。

表4 不同預(yù)訓(xùn)練語言模型的MASC在3個(gè)語料集上的效果Table 4 Performance on three corpora of MASC with different pre-trained language models %

由表4可知：

（1）當(dāng)采用3 種不同的預(yù)訓(xùn)練語言模型時(shí)，MASC 在3 個(gè)語料集上的表現(xiàn)不同?？傮w上來說，MASC在macbert上的效果最好，而在bert和wwm上則表現(xiàn)各不同。本文認(rèn)為主要的原因是macbert 在base基礎(chǔ)上結(jié)合文本校正預(yù)訓(xùn)練任務(wù)，進(jìn)一步增強(qiáng)了模型識別詞組和同義詞的能力，而且通過大規(guī)模的再次預(yù)訓(xùn)練能更好地學(xué)習(xí)句子的上下文語義并提升模型在CSC中的效果。而wwm在3個(gè)語料集上的效果并沒有明顯優(yōu)于base，甚至部分效果更差，主要是因?yàn)椋? 個(gè)語料集中的大部分錯(cuò)誤以單字為主（具體統(tǒng)計(jì)信息可見表5），而很少整個(gè)詞出錯(cuò)，這與wwm 在預(yù)訓(xùn)練時(shí)的全詞掩碼策略存在較大的差異；還與3個(gè)語料集本身存在一定的差異有關(guān)。

表5 3個(gè)語料集中字和詞錯(cuò)誤的統(tǒng)計(jì)信息Table 5 Statistic information about character and word errors in three corpora

wwm與base均沒有考慮錯(cuò)誤字詞與正確字詞間的發(fā)音或字形相似性知識，且面臨預(yù)訓(xùn)練和與微調(diào)不一致的問題。

（2）對于hsk、acg 和all 3 種不同的預(yù)訓(xùn)練語料集，MASC 采用all 數(shù)據(jù)后在3 個(gè)CSC 語料集上總體表現(xiàn)最好，采用hsk 的次之，而采用acg 的最差。這說明預(yù)訓(xùn)練數(shù)據(jù)的內(nèi)容對于模型在下游任務(wù)中的效果有著較大的影響。3 個(gè)CSC 語料中的句子主要來自國外的中文初學(xué)者所寫的散文。HSK中的句子來自于漢語水平考試（HSK）語料集，而ACG的句子則主要來自于人民日報(bào)的報(bào)道。因此，總體上各個(gè)CSC 語料集與ACG 句子內(nèi)容和語法結(jié)構(gòu)上相差較大，而與HSK 非常接近。實(shí)驗(yàn)結(jié)果也證明了hsk在CSC 語料集上的表現(xiàn)確實(shí)優(yōu)于acg。采用all 訓(xùn)練數(shù)據(jù)后，模型效果大部分情況下表現(xiàn)較好，特別是在錯(cuò)誤識別效果方面均有一定的提升，但在糾正方面因與acg 訓(xùn)練數(shù)據(jù)的內(nèi)容存在一定差異及總體訓(xùn)練不充分等因素，導(dǎo)致糾正的效果有時(shí)候略下降。

（3）采用不同訓(xùn)練數(shù)據(jù)后，MASC在3個(gè)語料集上的錯(cuò)誤識別效果均得到了一定的提升，這說明MASC確實(shí)能有效地提升模型的中文拼寫錯(cuò)誤識別能力。但在文本糾正方面，采用wwm后模型的效果并沒有提升，反而下降了。本文認(rèn)為主要是因?yàn)閣wm中對詞組的掩碼與CSC中以單字拼寫錯(cuò)誤為主的情況存在很大差異，因此預(yù)訓(xùn)練后反而容易引入一些噪聲數(shù)據(jù)，從而導(dǎo)致模型的糾正效果受到一定的影響。

3.3 消融實(shí)驗(yàn)

本實(shí)驗(yàn)以sighan15 語料集為例對MASC 中的各組成部分進(jìn)行消融分析。結(jié)合表4所示的結(jié)果，以MascBERT+base+all 作為基線模型進(jìn)行分析，實(shí)驗(yàn)結(jié)果如表6所示。其中“-”表示在原來模型基礎(chǔ)上去除相應(yīng)的組成部分，例如，-N-grams表示不考慮詞掩碼，即只采用字掩碼，-tone表示不考慮拼音的音調(diào)，-visual 表示不考慮字形相近信息，-lossdet表示不考慮錯(cuò)誤識別層和相應(yīng)的損失函數(shù)。

表6 MascBERT的消融實(shí)驗(yàn)結(jié)果Table 6 Ablation experiment result for MascBERT %

從表6中的實(shí)驗(yàn)結(jié)果可知：去除N-grams之后，MascBERT 在錯(cuò)誤識別效果方面稍有下降，而在糾正方面不僅沒有下降，反而有一定的提升。本文認(rèn)為這主要是因?yàn)閟ighan的訓(xùn)練集和測試集都是以單個(gè)字的錯(cuò)誤為主，因此去除N-grams雖然降低了錯(cuò)誤識別效果，但在糾正時(shí)減少了詞組所帶來的一些干擾信息，因此更符合下游任務(wù)的特點(diǎn)，從而使糾正效果有一定的提升。這也與表5的結(jié)果相符，同時(shí)也說明雖然MascBERT 中采用全詞及多元詞組掩碼能夠提升模型在許多下游任務(wù)中的表現(xiàn)，但對于CSC任務(wù)卻不一定有效。對于聲調(diào)和字形相近信息來說，總體上聲調(diào)對模型的效果影響更大，這主要是因?yàn)榇蟛糠制磳戝e(cuò)誤的正確字與錯(cuò)誤字之間存在發(fā)音相同的情況，而字形相近的錯(cuò)誤相對較少。去除錯(cuò)誤識別層及相應(yīng)的損失函數(shù)后，模型的效果明顯有一定的下降，這主要是因?yàn)樵璏LM中只考慮對被掩碼字正確值的判斷，而忽略了對該字是否存在拼寫錯(cuò)誤進(jìn)行識別。因此增加錯(cuò)誤識別和損失函數(shù)后，能夠引導(dǎo)模型進(jìn)一步根據(jù)上下文判斷相應(yīng)的字是否存在拼寫錯(cuò)誤，而不只是單獨(dú)考慮是否語義正確。當(dāng)同時(shí)去除聲調(diào)和錯(cuò)誤識別判斷后，模型的效果下降明顯，甚至比不采用MASC的效果更差。這主要是因?yàn)閟ighan15語料集中的拼寫錯(cuò)誤大多是因?yàn)橥艋蚪舳鸬?，因此單純只考慮N-grams和字形相近信息反而容易在預(yù)訓(xùn)練時(shí)引入噪聲數(shù)據(jù)，特別是在預(yù)訓(xùn)練數(shù)據(jù)量比較有限以及訓(xùn)練不充分的情況下。

3.4 實(shí)例分析

下面繼續(xù)以sighan15 語料集中的部分句子為例，分別對BERT 和MascBERT 的判斷結(jié)果進(jìn)行對比分析。測試集中的3個(gè)句子如下。

句子1：這兩問題真的嚴(yán)重，我么（們）受不了。

句子2：可是你現(xiàn)在不在宿舍，所以我留了一枝（紙）條。

句子3：我以前想要高（告）訴你，可是我忘了。我真戶禿（糊涂）。

分別采用預(yù)訓(xùn)練及微調(diào)后的BERT和MascBERT進(jìn)行判斷，結(jié)果如表7所示，其中粗體字表示對應(yīng)錯(cuò)誤的預(yù)測結(jié)果。

表7 常見中文拼寫錯(cuò)誤例子Table 7 Examples of common CSC errors

從表7 可以看出，BERT 的輸出結(jié)果句子在語義上是合理通順的，但不是正確的目標(biāo)句子，特別是預(yù)測的字詞與錯(cuò)誤字詞之間沒有發(fā)音或字形上的相似性信息；而MascBERT 的輸出結(jié)果不僅在句子語義上是合理的，而且能夠更好地學(xué)習(xí)到字之間在發(fā)音上的相似性知識。

4 結(jié)語

針對現(xiàn)有BERT/RoBERTa/MacBERT 等預(yù)訓(xùn)練語言模型的MLM在CSC任務(wù)中面臨預(yù)訓(xùn)練與微調(diào)任務(wù)不一致的問題，提出一種面向中文拼寫糾錯(cuò)的自監(jiān)督預(yù)訓(xùn)練方法MASC，將MLM 中對被掩碼字的正確值預(yù)測轉(zhuǎn)換成對拼寫錯(cuò)誤字的識別和糾正，同時(shí)結(jié)合混淆集引入音調(diào)相同、音調(diào)相近和字形相近等相似性知識。實(shí)驗(yàn)結(jié)果表明，所提出的MASC可在不改變BERT/RoBERTa/MacBERT 等模型結(jié)構(gòu)的前提下，有效地提升預(yù)訓(xùn)練語言模型在下游CSC任務(wù)中的效果。下一步將繼續(xù)研究如何改進(jìn)預(yù)訓(xùn)練任務(wù)中的掩碼策略和候選字生成策略，以提升模型的錯(cuò)誤識別及糾正能力；還將探討如何在下游任務(wù)中進(jìn)一步引入其他相似性知識，以避免依賴于特定的混淆集。