中文纠错实战

2024-05-07 14:38
文章标签 实战 中文 纠错

本文主要是介绍中文纠错实战,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

假设有这么一个场景,医生开处方的时候,可能写错药品和疾病名称,需要程序自动化纠错

例如:曲米新乳膏和二甲双瓜和双黄连

    曲米新乳膏 ==> 曲咪新乳膏

    二甲双瓜 ==> 二甲双胍

 

 

怎么做呢?

直觉告诉我们,应该有一个数据源,包含所有的药品疾病名称。

1、数据抓取  

    寻医问药 http://www.xywy.com/

    丁香园 http://www.dxy.cn/

    好大夫 http://www.haodf.com/yaopin/

 

涉及知识:

    网络爬虫

    http协议

    html

    正则

    网络代理

    字符编码

    python

 

开源的世界,感谢这个时代吧。

scrapy框架  https://scrapy.org/  看看demo,开始工作吧!

 

2、单词匹配

药品数据爬取下来后,有药品疾病的词典了。

那么怎么从一段文字中识别出哪些是药品名称呢?假设文本都是正确的,药品名称也是正确的。

 

涉及知识:

    前缀树匹配 

    https://en.wikipedia.org/wiki/Trie

    http://baike.baidu.com/link?url=9tTTwNRyFnYW4EiTfVMrT0hkX7O8TKc0HCrStmTkWfCsV3HEtFK0BA0tWov4ny206MUIvPnzwPpdxqVFgZlo4_

 

    以python语言举例吧,PyTrie

    https://pypi.python.org/pypi/PyTrie  看看demo https://wiki.python.org/moin/CheeseShopTutorial 

    e.g. sentence = “我有双黄连和曲米新乳膏"

    遍历所有包含最后1个字的字串

        我有双黄连和曲米新乳膏

        有双黄连和曲米新乳膏

        双黄连和曲米新乳膏

        ……

    用爬取的药品名称字典生成SortedStringTrie,对每个子串用最长前缀匹配(method:longest_prefix),

    可以得到 双黄连、曲米新乳膏这两个药品名称

 

3、纠错版本1.0

    好吧,做了好多前期准备工作,可以开始尝试纠错了。先看看错误的例子:

    e.g. sentence = “我有双黄联和曲米新乳膏"

    肉眼看过去  双黄联 ==> 双黄连  机器如何做呢?

    

    涉及知识:

        编辑距离(Levenshtein距离) http://baike.baidu.com/link?url=BlzWCygnY5DdHj453HLQOhVYWnFfQO96hbHgqPTpWPo4x3_n4J6n2g5MVfYPVP7fWzf2u4doEspxkgWJSeJWvkwbMFV1FElBoqlSbbCG06ZLVlZeqoYkX6ucEwkcwTfQ

 

    编辑距离就是求两个字符串的相似性

    天安门 和 天天门  distance=1

    天安门 和 天安      distance=1

    天安门 和 天安门  distance=0

    

    有了编辑距离,借助最长前缀匹配,设定距离阀值,例如4个字,允许1个字不一样,6个字允许两个字不一样。

    用前缀匹配,找到双黄连, 对应的词是双黄联, 好吧,编辑距离ok,替换吧

    双黄连 ==> 双黄连

    恭喜你,纠错成功,关上电脑,可以交差了。

    

    测试报bug了,怎么可能!!!

    e.g. 小儿柏步止咳

    纠错 小儿柏步止咳 ==> 小儿清热止咳

    小儿清热止咳和小儿百部止咳都是药品名称,按照规则,字典树找到第一个小儿清热止咳,符合编辑距离<=2。

    

    看来不能光按照字型去纠错,汉字的输入错误大部分来自同音字。

    找个汉字转拼音的工具

    pypinyin     https://pypi.python.org/pypi/pypinyin

    加上拼音的编辑距离吧,全拼和首字母的,嗯嗯 双重保险,例如必须首字母相同。

    小儿清热止咳 首字母  xeqrzk

    小儿百部止咳 首字母  xebbzk

    小儿柏步止咳  首字母  xebbzk

    纠错 小儿柏步止咳 ==>  小儿百部止咳

    

    测试还是有作用的,虽然报bug让我很不爽

    1.0版本勉强可以上线使用了,精度门槛设置会比较高,召回相对低。

    e.g. 青春都飞扬吧

    青春都 ==> 青春痘

4、纠错版本2.0

    只看相似距离,是很难去判断纠正后的句子的合理性,因为替换规则只是针对单个单词,丢掉了句子的剩余单词信息。比如,句子1:青春都飞扬吧  句子2:青春逗很多。 句子1应该不去纠错,而句子2应该纠错。

    涉及知识:

    语言模型 https://en.wikipedia.org/wiki/Language_model  本质是用统计学意义判断句子构成的合理性

    中文分词 句子分词的多少 作为判断句子合理性的一个参考因子

    ngram  http://blog.csdn.net/baimafujinji/article/details/51281816 

    语料库 从很大的文本语录中切分出unigram bigram. 这个可以从爬取药品的网站上去爬取用户咨询的问题,这些问题里面包含的药品疾病比较多,适合用作医疗领域的ngram。

    

    ngram切分用nltk(很有名的nlp python库, method:ngrams) http://www.nltk.org/

    

    假设提取出来了unigram,bigram,那么可以试试语言模型了

 

    加入语言模型,去计算 替换后的句子 正确概率,找到替换后句子正确概率最大的

    

5、优化方向

    精度和召回总是一对矛盾

    概率提升的阀值,可以控制纠错的精度,但是降低了召回

    如何调整阀值,是不断试错过程。

    

    概率是基于统计学意义的,所以badcase的出现不可避免。可以通过人工的数据介入,去干预单词替换

    相近字 加入,使得替换备选集合多一些,提升召回率

    

    想要同时提升精度和召回,就需要分析badcase,设定粒度更小的精度阀值,优化是个长时间的工作。

6、总结

    英文纠错(good demo:http://norvig.com/spell-correct.html)很多是字母拼写错误,中文纠错更多的是相近字,拼音等带来的字词错误。

    纠错步骤:

    1、正确词词典

    2、从输入句子中 找到替换候选词集合

    3、语言模型判断句子合理性

    4、选出替换后最合理的句子

 

    精度阀值的控制 需要不断尝试,词典单词很多,且面对的是非专业领域词汇,则同样阀值前提下,纠错的精度应该会有所下降。针对特点领域的纠错是可行的,纠错的方法另一个副产品是找出相近意思的词,例如 头疼=>头痛

这篇关于中文纠错实战的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/967634

相关文章

在IntelliJ IDEA中高效运行与调试Spring Boot项目的实战步骤

《在IntelliJIDEA中高效运行与调试SpringBoot项目的实战步骤》本章详解SpringBoot项目导入IntelliJIDEA的流程,教授运行与调试技巧,包括断点设置与变量查看,奠定... 目录引言:为良驹配上好鞍一、为何选择IntelliJ IDEA?二、实战:导入并运行你的第一个项目步骤1

Spring Boot3.0新特性全面解析与应用实战

《SpringBoot3.0新特性全面解析与应用实战》SpringBoot3.0作为Spring生态系统的一个重要里程碑,带来了众多令人兴奋的新特性和改进,本文将深入解析SpringBoot3.0的... 目录核心变化概览Java版本要求提升迁移至Jakarta EE重要新特性详解1. Native Ima

Spring Boot 与微服务入门实战详细总结

《SpringBoot与微服务入门实战详细总结》本文讲解SpringBoot框架的核心特性如快速构建、自动配置、零XML与微服务架构的定义、演进及优缺点,涵盖开发环境准备和HelloWorld实战... 目录一、Spring Boot 核心概述二、微服务架构详解1. 微服务的定义与演进2. 微服务的优缺点三

SpringBoot集成MyBatis实现SQL拦截器的实战指南

《SpringBoot集成MyBatis实现SQL拦截器的实战指南》这篇文章主要为大家详细介绍了SpringBoot集成MyBatis实现SQL拦截器的相关知识,文中的示例代码讲解详细,有需要的小伙伴... 目录一、为什么需要SQL拦截器?二、MyBATis拦截器基础2.1 核心接口:Interceptor

Python实现中文文本处理与分析程序的示例详解

《Python实现中文文本处理与分析程序的示例详解》在当今信息爆炸的时代,文本数据的处理与分析成为了数据科学领域的重要课题,本文将使用Python开发一款基于Python的中文文本处理与分析程序,希望... 目录一、程序概述二、主要功能解析2.1 文件操作2.2 基础分析2.3 高级分析2.4 可视化2.5

从入门到进阶讲解Python自动化Playwright实战指南

《从入门到进阶讲解Python自动化Playwright实战指南》Playwright是针对Python语言的纯自动化工具,它可以通过单个API自动执行Chromium,Firefox和WebKit... 目录Playwright 简介核心优势安装步骤观点与案例结合Playwright 核心功能从零开始学习

Java docx4j高效处理Word文档的实战指南

《Javadocx4j高效处理Word文档的实战指南》对于需要在Java应用程序中生成、修改或处理Word文档的开发者来说,docx4j是一个强大而专业的选择,下面我们就来看看docx4j的具体使用... 目录引言一、环境准备与基础配置1.1 Maven依赖配置1.2 初始化测试类二、增强版文档操作示例2.

MySQL 多列 IN 查询之语法、性能与实战技巧(最新整理)

《MySQL多列IN查询之语法、性能与实战技巧(最新整理)》本文详解MySQL多列IN查询,对比传统OR写法,强调其简洁高效,适合批量匹配复合键,通过联合索引、分批次优化提升性能,兼容多种数据库... 目录一、基础语法:多列 IN 的两种写法1. 直接值列表2. 子查询二、对比传统 OR 的写法三、性能分析

Python办公自动化实战之打造智能邮件发送工具

《Python办公自动化实战之打造智能邮件发送工具》在数字化办公场景中,邮件自动化是提升工作效率的关键技能,本文将演示如何使用Python的smtplib和email库构建一个支持图文混排,多附件,多... 目录前言一、基础配置:搭建邮件发送框架1.1 邮箱服务准备1.2 核心库导入1.3 基础发送函数二、

PowerShell中15个提升运维效率关键命令实战指南

《PowerShell中15个提升运维效率关键命令实战指南》作为网络安全专业人员的必备技能,PowerShell在系统管理、日志分析、威胁检测和自动化响应方面展现出强大能力,下面我们就来看看15个提升... 目录一、PowerShell在网络安全中的战略价值二、网络安全关键场景命令实战1. 系统安全基线核查