融合多通道CNN与BiGRU的字词级文本错误检测模型

摘要：

文本校对是自然语言处理领域的重要分支.深度学习技术因强大的特征提取与学习能力被广泛应用于中文文本校对任务.针对现有中文文本错误检测模型忽略句子连续词间的局部信息、对于长文本的上下文语义信息提取不充分等问题,提出一种基于多通道卷积神经网络(CNN)与双向门控循环单元(BiGRU)的字词级文本错误检测模型.利用Word2vec向量化待检错文本,采用CNN挖掘待检错文本的局部特征,使用BiGRU学习待检错文本的上下文语义信息及长时依赖关系,并通过Softmax处理后输出文本分类结果以判断文本中是否含有字词错误,同时采取L2正则化和dropout策略防止模型过拟合.在SIGHAN2014和SIGHAN2015中文拼写检查任务数据集上的实验结果表明,与基于长短时记忆网络的文本错误检测模型相比,该模型的检错F1值提升了3.01个百分点,具有更优的字词级文本错误检测效果.

关键词：字词错误、多通道卷积操作、卷积神经网络、双向门控循环单元、文本错误检测

所属期刊栏目：48

分类号：TP391.1(计算技术、计算机技术)

资助基金：国家重点研发计划2017YFB0801900

在线出版日期：2022-09-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：63-70