[發明專利]文本糾錯方法、裝置、設備以及存儲介質

在審

• 申請號: 202110251825.0
• 申請日: 2021-03-08
• 公開（公告）號: CN112926306A
• 公開（公告）日: 2021-06-08
• 發明（設計）人: 李浩;龐敏輝;趙志新;馮婧超
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06F40/232
• 分類號: G06F40/232;G06K9/62
• 代理公司: 北京英賽嘉華知識產權代理有限責任公司 11204
• 代理人: 王達佐;馬曉亞

1.一種文本糾錯方法，包括：

接收目標文本；

利用預先訓練的文本糾錯模型，對所述目標文本進行糾錯，得到糾錯文本；

利用預先訓練的分類模型，確定所述糾錯文本的誤糾概率；

響應于確定所述誤糾概率小于預設閾值，輸出所述糾錯文本。

2.根據權利要求1所述的方法，其中，所述文本糾錯模型通過以下步驟得到：

獲取混淆文本集，所述混淆文本集包括多個正確文本以及對應的多個錯誤文本；

將所述錯誤文本作為輸入，將與輸入的錯誤文本對應的正確文本作為期望輸出，訓練得到所述文本糾錯模型。

3.根據權利要求2所述的方法，其中，所述分類模型通過以下步驟得到：

將所述正確文本的標簽設置為第一預設值，將所述錯誤文本的標簽設置為第二預設值；

將所述混淆文本集中的文本作為輸入，將輸入文本的標簽作為期望輸出，訓練得到所述分類模型。

4.根據權利要求2所述的方法，其中，所述獲取混淆文本集，包括：

獲取多個正確文本；

對所述正確文本進行分詞，得到多個詞語；

對所述多個詞語進行替換，確定所述正確文本對應的錯誤文本，得到所述混淆文本集。

5.根據權利要求4所述的方法，其中，所述對所述多個詞語進行替換，確定所述正確文本對應的錯誤文本，包括：

確定所述多個詞語中的字數以及預設的字數與概率的對應關系，確定各詞語的替換概率；

根據所述替換概率從各詞語中確定出目標詞語，對所述目標詞語中的字進行替換，確定所述錯誤文本。

6.根據權利要求4或5所述的方法，其中，所述對所述多個詞語進行替換，包括：

確定所述多個詞語中各字的替換字；

利用所述替換字對所述多個詞語進行替換。

7.根據權利要求6所述的方法，其中，所述確定所述多個詞語中各字的替換字，包括：

將與所述多個詞語中各字字音相近或字形相近的字作為替換字。

8.根據權利要求1所述的方法，其中，所述方法還包括：

響應于確定所述誤糾概率大于或等于所述預設閾值，利用所述糾錯文本以及所述目標文本再次訓練所述文本糾錯模型。

9.一種文本糾錯裝置，包括：

文本接收單元，被配置成接收目標文本；

文本糾錯單元，被配置成利用預先訓練的文本糾錯模型，對所述目標文本進行糾錯，得到糾錯文本；

誤糾判斷單元，被配置成利用預先訓練的分類模型，確定所述糾錯文本的誤糾概率；

文本輸出單元，被配置成響應于確定所述誤糾概率小于預設閾值，輸出所述糾錯文本。

10.根據權利要求9所述的裝置，其中，所述裝置還包括：

文本集獲取單元，被配置成獲取混淆文本集，所述混淆文本集包括多個正確文本以及對應的多個錯誤文本；

第一訓練單元，被配置成將所述錯誤文本作為輸入，將與輸入的錯誤文本對應的正確文本作為期望輸出，訓練得到所述文本糾錯模型。

11.根據權利要求10所述的裝置，其中，所述裝置還包括第二訓練單元，被配置成通過以下步驟得到所述分類模型：

將所述正確文本的標簽設置為第一預設值，將所述錯誤文本的標簽設置為第二預設值；

將所述混淆文本集中的文本作為輸入，將輸入文本的標簽作為期望輸出，訓練得到所述分類模型。

12.根據權利要求10所述的裝置，其中，所述文本集獲取單元進一步被配置成：

獲取多個正確文本；

對所述正確文本進行分詞，得到多個詞語；

對所述多個詞語進行替換，確定所述正確文本對應的錯誤文本，得到所述混淆文本集。