OCR文本纠错思路

news2024/11/18 1:38:12

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

在这里插入图片描述

# 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：

在这里插入图片描述

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