metadata

language:
  - zh
tags:
  - t5
  - pytorch
  - zh
license: apache-2.0
datasets:
  - shibing624/CSC
library_name: transformers
pipeline_tag: text2text-generation
widget:
  - text: 少先队员因该为老人让坐

T5 for Chinese Spelling Correction Model

中文拼写纠错模型

shibing624/mengzi-t5-base-chinese-correction evaluate SIGHAN2015 test data：

Sentence Level: precision:0.8321, recall:0.6390, f1:0.7229

训练使用的数据集为下方提供的“SIGHAN+Wang271K中文纠错数据集”，在SIGHAN2015的测试集上达到接近SOTA水平。

未改动模型结构，finetune中文纠错数据集，评估纠错效果很好，模型潜力巨大。

Usage

本项目开源在中文文本纠错项目：pycorrector，可支持t5模型，通过如下命令调用：

pip install -U pycorrector

run:

from pycorrector.t5.t5_corrector import T5Corrector
nlp = T5Corrector("shibing624/mengzi-t5-base-chinese-correction").batch_t5_correct
i = "今天新情很好"
print(i, ' => ', nlp([i]))

output:

今天新情很好  =>  今天心情很好 [('新', '心', 2, 3)]

模型文件组成：

mengzi-t5-base-chinese-correction
|-- config.json
|-- pytorch_model.bin
|-- special_tokens_map.json
|-- spiece.model
|-- tokenizer_config.json
`-- tokenizer.json

如果需要训练t5-correction，请参考https://github.com/shibing624/pycorrector/tree/master/pycorrector/t5

训练数据集

SIGHAN+Wang271K中文纠错数据集

数据集	语料	下载链接	压缩包大小
`SIGHAN+Wang271K中文纠错数据集`	SIGHAN+Wang271K(27万条)	百度网盘（密码01b9）	106M
`原始SIGHAN数据集`	SIGHAN13 14 15	官方csc.html	339K
`原始Wang271K数据集`	Wang271K	Automatic-Corpus-Generation dimmywang提供	93M

SIGHAN+Wang271K中文纠错数据集，数据格式：

[
    {
        "id": "B2-4029-3",
        "original_text": "晚间会听到嗓音，白天的时候大家都不会太在意，但是在睡觉的时候这嗓音成为大家的恶梦。",
        "wrong_ids": [
            5,
            31
        ],
        "correct_text": "晚间会听到噪音，白天的时候大家都不会太在意，但是在睡觉的时候这噪音成为大家的恶梦。"
    },
]

Citation

@software{pycorrector,
  author = {Xu Ming},
  title = {pycorrector: Text Error Correction Tool},
  year = {2021},
  url = {https://github.com/shibing624/pycorrector},
}