OCR文本纠错思路

文字错误类别：多字 少字 形近字

当前方案

文本纠错思路
简单：
一、构建自定义词典，提高分词正确率。不在词典中，也不是停用词，分成单字的数据极有可能是错字（少部分可能是新词）。错字与前后的词语组成错词 （分词工具：cutword）

二、利用字形相似度获取错词的字形最相似词语 参考： https://github.com/tiantian91091317/OCR-Corrector（FASPell采用字符串编辑距离进行计算 ）

难点：

• 字形相似度计算还不够准

• 错字与前后的词语组成的错词可能不准确

• 需要不断维护词典

解决的问题

提高检错率

jieba有HMM新词算法，错词无法单独分出来

cutword 词典的一些词 对于 特定领域 可能是错词，需要删除

提高组词正确率

百度 lac 词法分析工具

# baidu lac

from LAC import LAC

# 装载LAC模型
lac = LAC(mode='lac')

# 单个样本输入，输入为Unicode编码的字符串


text = u"含固书馆学、档案学"

lac_result = lac.run(text)
lac_result
# [['含', '固书馆学', '、', '档案学'], ['v', 'n', 'w', 'n']]

对于部分文本效果不错，但是还有部分文本实体识别粒度太大，比如：

paddlenlp

taskflow.md
容易出现实体识别不出的情况,弃用

# 批量样本输入, 输入为多个句子组成的list，平均速率更快
texts = [u"LAC是个优秀的分词工具", u"百度是一家高科技公司"]
lac_result = lac.run(texts)


# paddle nlp Taskflow 
from pprint import pprint
from paddlenlp import Taskflow

schema = ['专业名称', '地点', '人名','学校名称','班级名称'] # Define the schema for entity extraction
ie = Taskflow('information_extraction', schema=schema)
sentence = '中外合作办学，新西兰尼尔森马尔佰勤理工学院合作办学'
sentence = '日语、俄语、德语、法语、西班牙语，人校后可参与选拨项目:涉外法治双主学位项目、国际新闻全英文实验班:各语种均有机会进人自标语言国著名高校进行交流学习'
pprint(ie(sentence))

初始思路

目标：通过正确数据对错误数据进行检测与纠正
错字检测+修正：
检测错字：
参考：
kenLM统计语言模型构建与应用
kenlm

• 将正确数据分词构建词典
  kenlm计算一个句子中连续的n个单词的概率来评估句子结构合法性，kenlm检测错字有两种方法，1.使用招生计划的数据做语料训练模型，让模型对句子合法性打分 2.使用pycorrector kenlm模型，检测错字
  纠正错字：
  参考 https://github.com/shibing624/pycorrector
  检测到的错字在一个词语中，该词任一字都可能是错字。
• 根据语义编辑距离，找到该错字所在词语与字典中的词最相似的词，如果相似度超出阈值，则替代该词（需要增加形近字字典）
• 利用正确数据训练一个自然语言处理模型（类bert），不将错字掩盖，预测正确的字，预测字与错字相似度超出阈值，并在词典中，则修正

kenlm

kemlm检错原理：利用 2-gram 、3-gram 语言模型找到错误位置；
利用形近字字表生成候选句（对应上文的使P(O|I)最大的n个 Input）；
利用语言困惑度找到得分最低的候选句（对应上文的使P(I)最大的Input）。

使用pycorrector项目加入专有名词字典后（数量大概有几万），检索速度太太太慢。并且训练kenlm模型正确数据不够。所以放弃kenlm.

bert

待正确数据更多后，再训练bert模型