中文語法自動糾錯系統(tǒng)的研究與實現(xiàn)

王浩暢 周錦程

【摘 要】文章將從中文語法錯誤修正中進行解釋，主要包括以下幾個部分：①語料庫的編寫，基于高質(zhì)量的漢語語料庫，通過機器學(xué)習(xí)進行語法錯誤特征分析和語料庫糾錯方法，基于模型進行訓(xùn)練;②預(yù)處理數(shù)據(jù)，消除數(shù)據(jù)噪聲，從而獲得高質(zhì)量的數(shù)據(jù);③語法錯誤，句子分割前的自動分割和詞性標注，通過提高分詞的正確性來提高語法錯誤識別的準確性;④建立N-Gram模型并基于CRF模型檢測語法錯誤。

【關(guān)鍵詞】語法糾錯;分詞;N-Gram;序列標注

【中圖分類號】TP399 【文獻標識碼】A 【文章編號】1674-0688（2020）02-0081-05

0 引言

近年來，隨著中國經(jīng)濟勢力的增強和國際地位的提升，中國人在國際經(jīng)濟文化交流中的影響日益重要。因此，世界各國對漢語學(xué)習(xí)的需求日益增多，截至目前，已有超過70多個國家頒布了法令，建立了全職崗位，并在國家教育系統(tǒng)中將漢語教育歸納其中。英國、法國、德國、美國、意大利、西班牙、加拿大等國家已將漢語視為除各國母語外的第二外語。根據(jù)中國國家漢語國際推廣領(lǐng)導(dǎo)小組的數(shù)據(jù)統(tǒng)計，除中國外，在世界上使用中文的人數(shù)已超過1億人[1]。

繼續(xù)升溫的“中國熱”為世界推廣漢語帶來了良好的機遇。如何提高漢語學(xué)習(xí)效率也成為一個新的挑戰(zhàn)。據(jù)統(tǒng)計，中文學(xué)習(xí)的困難主要體現(xiàn)在聽、說、讀、寫的技巧。其中寫作是最難學(xué)習(xí)和掌握的。在寫作中，。句子由短語和單詞結(jié)構(gòu)組成的規(guī)則已經(jīng)成為最常見的錯誤之一。對于中文語法自動糾錯系統(tǒng)，技術(shù)指標投入使用需要時間，因此中文語法修正成為一個具有挑戰(zhàn)性的問題。

在20世紀80年代早期，研究人員對語法錯誤糾正（GEC）[2]進行了研究，并經(jīng)歷了3個發(fā)展階段。第一代系統(tǒng)使用簡單的字符串匹配和替換來識別和糾正錯誤。第二代系統(tǒng)使用語法規(guī)則分析文本，并通過編寫錯誤模板匹配糾正語法錯誤。第三代系統(tǒng)使用數(shù)據(jù)驅(qū)動方法從大規(guī)模原生或?qū)W習(xí)者語料庫中提取詞匯語法。系統(tǒng)機器式不斷地學(xué)習(xí)構(gòu)建模型用來自動檢測語法的對錯。2018年，在Grammatical Error Correction（GEC）方面被證實為領(lǐng)先的方法是Sequence to Sequence（seq2seq）。在seq2seq基礎(chǔ)架構(gòu)上提出了一種新的fluency boost learning and inference（推斷學(xué)習(xí)機制），該機制通過“error-correct”進行學(xué)習(xí)訓(xùn)練，在過程中產(chǎn)生多個“error-correct”，將糾錯模型提煉到更高的水平，以便逐步糾錯。

與自動檢測英語語法相比，漢語語法檢測起步較晚，語法相對靈活，沒有固定的形態(tài)性，但存在漢語語料庫積累不足、無覆蓋漢語語法等問題。校正需要基于詞語、語法和語義的分析，漢語語法糾錯技術(shù)的難度高于英語糾錯。因此，對這一課題的鉆研顯得尤為重要。

1 分析結(jié)構(gòu)

1.1 語料庫準備

中文語法錯誤的自動糾正需要基于高質(zhì)量的中文語料庫。通過機器學(xué)習(xí)，對語料庫的語法錯誤特征和糾錯方法進行了分析和總結(jié)，對實際檢測模型進行了訓(xùn)練。常見的漢語語法錯誤主要包括成分缺陷（不完整主語、不完全謂詞、不完整對象），不正確的錯配（不恰當(dāng)?shù)闹髦^錯配、不匹配的動詞—動詞、狀語和中心詞之間不恰當(dāng)?shù)牟黄ヅ?、定語和中心詞、補語和中心的不恰當(dāng)匹配），詞匯不匹配，結(jié)構(gòu)混亂，詞匯使用不當(dāng)，回聲;語料庫[3]中相應(yīng)的句子錯誤可以分為4類：冗余、缺失、誤用和無序。冗余：指句子中出現(xiàn)多余的詞，如“我現(xiàn)在剛準備休息”，正確應(yīng)為“我剛準備休息”;缺失：指句子中缺失必要的詞導(dǎo)致句子不完整，如“小咪性格很溫順的一只貓”，正確應(yīng)為“小咪是性格很溫順的一只貓”;誤用：指句子中存在誤用的詞導(dǎo)致影響句子語義，如“桂林以山水著名”，正確應(yīng)為“桂林以山水聞名”;亂序：指句子中詞位置錯誤，調(diào)換位置后句子會更通順，如“我想去上海下個月”，正確應(yīng)為“我下個月想去上?！薄?/p>

本實驗采用了搜狗實驗室的中文語料庫和頻率語料庫，對互聯(lián)網(wǎng)開放。根據(jù)實驗需要，將語料庫分訓(xùn)練、驗證和測試3個部分[4]。訓(xùn)練集包括3 000多篇。部分文章包含語法錯誤的1 000多個句子，以及糾正每個錯誤句子的方式，訓(xùn)練集將用于語法錯誤檢測模型的訓(xùn)練;驗證集包含300多個句子，用于語法錯誤檢測模型。參數(shù)優(yōu)化;測試集包含超過2 000個句子，其中一半是冗余、缺失、誤用和根據(jù)錯誤類型亂序，以此評估模型的性能與準確性。

1.2 數(shù)據(jù)預(yù)處理

實際生活中的數(shù)據(jù)往往受到噪音、數(shù)據(jù)損失和數(shù)據(jù)變化的影響，造成數(shù)據(jù)集的質(zhì)量不佳[5]?；谶@些數(shù)據(jù)的實驗可能導(dǎo)致實驗結(jié)果不準確，因此有必要對數(shù)據(jù)進行預(yù)處理，以提高實驗結(jié)果的準確性。具體處理措施如下：①對于語料庫中混合漢語和英語的句子，由于英語單詞會增加分析漢語語義的難度，因此使用漢語替換英語單詞方便系統(tǒng)識別。例如，“我在澳大利亞悉尼學(xué)習(xí)”被“我是悉尼，澳大利亞上學(xué)”所取代。②對于句子中括號的解釋性詞語，使用括號以降低復(fù)雜性。例如，“乒乓球單人比賽一般采用7場比賽或4場比賽和3場比賽（場均11分）”取代“乒乓球單人比賽一般采用7場勝利或3場勝利在5場比賽中。③減少標點符號對句子的影響，刪除句子中出現(xiàn)的引號，并標上標點符號的特殊含義。正如評論家所說，“具有形式和精神的結(jié)合，充滿活力”取代了神筆馬良筆下那栩栩如生的畫，形式和精神都充滿活力。④減少數(shù)字對句子的影響，并用中文替換句子中出現(xiàn)的數(shù)字，例如“離家5分鐘學(xué)走路”和“從我家到公司5分鐘”。

1.3 分詞與標注處理

采用語法錯誤集自動糾錯時，句子需要被分段和詞性標。分詞是解決中文文本最基本的前提條件，也是Chinese Human-Machine Natural Language Interaction的基礎(chǔ)模塊[6]。良好的中文分詞算法可以提升Natural Language Processing效果，更好地幫助系統(tǒng)理解復(fù)雜的漢語。因此，分詞是關(guān)鍵步驟，分詞準確率越高，語法錯誤識別的準確性就越高。

本課題將使用開源的Han Language Processing（簡稱HanLP）[7]進行分詞和注釋處理。HanLP是Natural Language Processing的一個工具包，基于算法和模型，并具備低耦合、高性能、多功能、新語料等包括自定義的優(yōu)勢，功能包括HMM-Bigram和由字構(gòu)詞等中文分詞、TextBank關(guān)鍵詞提取、TextBank自動摘要、HMM和CRF等詞性標注、KMeans等自動推斷聚類數(shù)目、文檔語義相似度計算等。

HanLP有兩種方式引用。

（1）直接在Maven的pom.xml引用hanlp：

com.hankcs

hanlp

portable-x.x.x

（2）下載data數(shù)據(jù)包，該數(shù)據(jù)包存在模型和詞語[7]，詞法分析會使用到詞語詞典，句法分析會使用到模型;下載hanlp.properties包，通過修改配置文件引入HanLP-data數(shù)據(jù)包，并將hanlp.properties放到src或resources目錄下進行編譯[8]。

示例：“我喜歡在睡前喝一杯牛奶，聽一些輕音樂，因為能幫助我快速入眠。”程序運行后得到的詞法分析結(jié)果如圖1所示，句法分析結(jié)果如圖2所示。

1.4 N-gram模型

N-gram模型[9]的基本思想是在大小為n字節(jié)的滑動窗口中操作文本內(nèi)容，形成長度為n的字節(jié)段序列。每個字節(jié)段稱為一個克計算所有克的出現(xiàn)頻率，并根據(jù)預(yù)設(shè)閾值進行過濾，以形成密鑰克列表，即文本的向量特征空間，每個列表克是特征向量維度。這個模型假設(shè)如下，第n個詞語的出現(xiàn)與前面的n-1個詞語存在關(guān)系，而與其他詞語無任何關(guān)系。每個詞語出現(xiàn)概率之積就為整個句子是否正確的概率。通過直接計算出來自語料庫的n個單詞同時出現(xiàn)的次數(shù)，可以判斷這些概率是否合理。

假設(shè)句子T是由詞序列y1，y2，y3，…，yn組成，用公式表示N-Gram語言模型如下：

P（T）=P（y1）p（y2）p（y3）p（yn）=p（y1）p（y2|y1）*p（y3|y1y2）*p（yn|y1y2y3…），Tri-Gram和Bi-Gram為教常見的N-Gram模型。兩個模型可用公式表示如下：

一元Bi-Gram：P（T）=p（w1|begin）p（w2|w1）p（w3|w2）***p（wn|wn-1）

二元Tri-Gram：P（T）=p（w1|begin1，begin2）p（w2|w1，begin1）p（w3|w2w1）***p（wn|wn-1，wn-2），這個概率顯然不是很好，運用馬爾科夫鏈的假設(shè)，假設(shè)這個詞僅僅與之前幾個有限的詞相關(guān)，就可以減少計算的長度而不必追溯原始單詞。即，在一階的馬爾科夫條件下，P（w1，w2，w3，…，wn）=P（w1）P（w2|w1）P（w3|w2）…P（wn|w_{n-1}）。

N-gram是一個有創(chuàng)造性的模型，隨著N的變大，形成的矩陣數(shù)量也越大，例如語句包含6 000個單詞，bigram模型方法可生成6 000×6 000的矩陣，trigram模型可生成6 000×6 000×6 000的矩陣。但其中會含有大量為零的值，導(dǎo)致整個句子的概率會變成零，會出現(xiàn)稀疏矩陣問題。因此，需要利用數(shù)據(jù)平滑技術(shù)，目的是使句子N-gram概率之和等于1。算法的原理是對概率空間做重構(gòu)，彌補給之前未出現(xiàn)過的N-gram，降低出現(xiàn)過的N-gram的概率，常用的數(shù)據(jù)平滑處理方式[10]如下：①拉普拉斯平滑。要求任何N-Gram在訓(xùn)練語料庫中出現(xiàn)一次或多次。②Good-Turing方法。減少出現(xiàn)非零的次數(shù)，并將其他概率分解到0概率中。③拉依達方法。若測量數(shù)量大于等于50，則非等置信概率計算非零事件的減損值，然后根據(jù)該方法將其分配給其他0個概率事件，低階分布。④絕對損傷法。減少固定次數(shù)非零的出現(xiàn)概率，并將其他概率分解到0概率中。⑤線性損傷法。將次數(shù)減少到個位，并分解到其他0個概率事件。

1.5 利用N-gram模型[10]評估句子合理概率

基于N-gram，每個單詞是獨立分布的，即P（D，E，F(xiàn)），其中D、E和F沒有任何交集，所以P（D，E，F(xiàn)）=P（D）P（E）P（F），比如語句“我熱愛唱歌”，P（D="我"，E="熱愛"，F(xiàn)="熱愛"）=P（"我"）P（“熱愛”）P（"唱歌"）;每個詞語在語料庫中的統(tǒng)計數(shù)量為我：221;熱愛：272;唱歌：391。

按照以上信息就可以得出P（D，E，F(xiàn)），也就是這個句子正確的概率為P（D，E，F(xiàn)）=P（D）P（E）P（F）=13/M*16/M*23/M。

對于二元模型，針對P（D，E，F(xiàn)）=P（D）P（E|D）P（F|E），各單詞與左邊相近的詞相關(guān)聯(lián)，例如“我熱愛唱歌”，P（D="我"，E="熱愛"，F(xiàn)="唱歌"）=P（"我"）P（“熱愛”|“我”）P（"唱歌"|“熱愛”）;每個詞語在語料庫中的統(tǒng)計數(shù)量為我-我：0;我-熱愛：114;我-唱歌：1;熱愛-我：0;熱愛-熱愛：3;熱愛-唱歌：162;唱歌-我：0;唱歌-熱愛：0;唱歌-唱歌：0。

按照以上信息可以得出P（D，E，F(xiàn)）等于句子的合理概率。

P（D，E，F(xiàn)）=P（D）P（E|D）P（F|E），P（D）= 221/M，P（E|D）=114/221，P（F|E）=162/272。

1.6 基于CRF模型檢測語法錯誤

CRF即條件隨機場為條件概率分布模型P（A | B），指輸入隨機變量A條件下的另一組輸出變量B的概率分布模型，為滿足CRF序列模型，必須對每個句子做分割，再提取這個單詞相關(guān)的特性。該信息主要包括詞的從屬語法樹中詞性的結(jié)構(gòu)特征和對其他詞的依賴。根據(jù)句級N-gram的概率值和高稀疏度部分，序列標注能更好地分析詞與詞之間的關(guān)系及詞本身的特性，并且不會有稀疏問題，能更準確地識別出語句錯誤的具體位置。

同時，CRF具備較強的推理能力，能利用相似、非獨立性的邏輯進行訓(xùn)練;也可完全運用上下文數(shù)據(jù)作為特性，亦可任意添加其他外部特征，方便模型信息的獲取，使模型更加豐富。此外，CRF的在性能表現(xiàn)上更加優(yōu)秀，具備更強的融合能力，識別效果優(yōu)于MEMM。

2 技術(shù)應(yīng)用

語病辨認認為檢查句中中存在的錯誤，語病分類為檢測句子的錯誤類型，語病定位為辨認句子的錯誤位置。其中，錯誤類型有4種：少詞、多詞、用詞錯誤、詞序錯誤，對于缺詞和錯詞，需提供修正的建議。具體的錯誤樣本數(shù)據(jù)見表1。

（1）引入一些新的語言學(xué)特征（先驗知識）。

（2）概率集成方法（集成多個Bi-LSTM+CRF模型）。

（3）模板匹配用于后處理。

語病修正（對缺詞錯誤，以及使用不當(dāng)錯誤進行糾正）：系統(tǒng)采用端到端神經(jīng)網(wǎng)絡(luò)模型結(jié)合詞匯點互信息，根據(jù)語境和語言信息騰出語言位置，猜測正確的詞匯量。

目前來看，糾錯算法分為兩個方向：基于規(guī)則、深度模型。中文糾錯分為兩個步驟。第一步是謬誤檢測，第二步是謬誤糾正。

謬誤檢測部分通過中斷單詞segmenter切斷單詞。由于句子包含拼寫錯誤，因此從單詞大小和單詞粒度中切出單詞的結(jié)果中存在許多切割錯誤，檢測到錯誤的結(jié)果形成一組可疑的錯誤位置。

謬誤部分是遍歷所有可疑錯誤位置，并用類似相近的詞語替換錯誤位置的單詞，然后通過語言模型計算句子混淆程度，比較并排序所有候選集結(jié)果，并獲得最佳校正詞。

3 實驗與分析

糾錯方式共計兩步：檢測和糾錯。

檢測主要通過分詞器進行切詞，由于切詞結(jié)果存在切分錯誤的情況，所以檢測時分別從字、詞兩個顆粒度觸發(fā)整合，形成錯誤候選集。

通過檢測模型逐個定位疑似錯字詞，長句切分為短句，取得疑似錯字詞的同音詞、同義詞，使用候選字詞進行替換，通過翻譯模型進行倒序處理，糾錯逐個處理，并集中指定的詞直接取得所有可能正確結(jié)果（PS：對非中文的錯字不做處理）。為了使糾錯效果更好，本次使用了seq2seq_attention模型，但是也存在一個缺點，就是模型容易擬合。

（1）中文切詞代碼如下。

def chineseWordSegmentation（sentence，cut_type='word'，pos=False）：

"""

中文切詞功能

：傳入?yún)?shù)1：sentence：句子文本;

：傳入?yún)?shù)2：cut_type：'word' use jieba.lcut; 'char' use list（sentence）;

：傳入?yún)?shù) 3：pos：enable POS

：返回：list

"""

if pos：

if cut_type == 'word'：

word_pos_seq=posseg.lcut（sentence）

word_seq，pos_seq =[]，[]

for w，p in word_pos_seq：

word_seq.append（w）

pos_seq.append（p）

return word_seq，pos_seq

elif cut_type == 'char'：

word_seq = list（sentence）

pos_seq =[]

for w in word_seq：

w_p = posseg.lcut（w）

pos_seq.append（w_p[0].flag）

return word_seq，pos_seq

else：

if cut_type == 'word'：

return jieba.lcut（sentence）

elif cut_type == 'char'：

return list（sentence）

（2）中文糾錯處理邏輯如下。

長句文本切分成短句文本：

sentences = re.split（r";|，|。|＼？＼s|;＼s|，＼s"，sentence）

調(diào)用模型庫，進行倒序操作：

maybe_errors = sorted（maybe_errors，key=operator.itemgetter（2），reverse=True）

遍歷糾錯，逐個處理：

before_sent = sentence[：begin_idx]

after_sent = sentence[end_idx：]

如果集中制定的詞，直接取結(jié)果：

if err_type == error_type["confusion"]：

corrected_item=since.custom_confusion[item]

否則則取出所有可能正確的詞（對非中文的錯字不做處理）：

if not is_chinese_string（item）：

continue

maybe_right_items = since.generate_items（item）

if not maybe_right_items：

continue

corrected_item = since.lm_correct_item（item，maybe_right_items，before_sent，after_sent）

（3）系統(tǒng)輸入“我們都因該學(xué)會思考”，程序執(zhí)行后檢測出錯誤詞語“因該”，并替換成“應(yīng)該”，最終正確語句為“我們都應(yīng)該學(xué)會思考”。具體實驗結(jié)果如圖3所示。

參 考 文 獻

[1]Lei Zhang，Ming zhou，Haihua Pan.Automatic detecting/correcting errors in Chinese text by an approximate word-matching algorithm[D].Association for Computational Linguistics，2000（10）：248-254.

[2]Jianbo Zhao，Mingzheng Li，Weijie Liu，et al.Detection of Chinese Grammatical Errors with Context Representation[M].United Kingdom：ALTA Institute，University of Cambridge，2018：22-24.

[3]Junjie Yu，Zhenghua Li.Chinese Spelling Error Detection and Correction Based on Language Model，Pronunciation，and Shape[J].Proceedings of The Third CIPS-SIGHAN Joint Conference on Chinese Language Processing，2011（10）：220-223.

[4]Chuen-Min Huang，Mei-chen Wu，Ching-Che Ch-

ang.Error Detection and Correction Based on Chinese Phonemic Alphabet in Chinese Text[J].Computational Linguistics and Chinese Language Proces-

sing，2007：27-44.

[5]K J Chen，M H Bai.“Unknown word detection for Chinese by a corpus-based learning method，”International Journal of Computational linguistics and Chinese Language Processing[J].Special Issue on Chinese as a Foreign Language，2015（11）：27-44.

[6]Jui-Feng Yeh，Sheng-Feng Li，Mei-Rong Wu，et al.Chinese word spelling correction based on N-gram ranked inverted index list.In Proceedings of the 7th SIGHAN Workshop on Chinese Language Processing[J].Proceedings of the Seventh SIGHAN Workshop on Chinese Language Processing，2013（10）：43-48.

[7]Yuming Hsieh，Minghong Bai，Kehjiann Chen.Introduction to CKIP Chinese spelling check system for SIGHAN Bakeoff 2013 evaluation[D].Nagoya：Nagoya University，2013：59-63.

[8]張照煌.中文錯別字自動訂正方法初探[J].Communications of COLIPS.1994，4（2）：143-149.

[9]KAREN KUKICH.Techniques for Automatically Correcting Words in Text[J].ACM Computing Sureys，1992.24（4）：12-14.

[10]張仰森，丁冰青.基于二元接續(xù)關(guān)系檢查的字詞集自動查錯方法[J].中文信息學(xué)報，2000（8）：1-2.