論文の概要: Read, Listen, and See: Leveraging Multimodal Information Helps Chinese Spell Checking

• arxiv url: http://arxiv.org/abs/2105.12306v1
• Date: Wed, 26 May 2021 02:38:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-28 02:03:57.430983
• Title: Read, Listen, and See: Leveraging Multimodal Information Helps Chinese Spell Checking
• Title（参考訳）: 読み、聞き、そして見る:中国のスペルチェックに役立つマルチモーダル情報を活用する
• Authors: Heng-Da Xu, Zhongli Li, Qingyu Zhou, Chao Li, Zizhen Wang, Yunbo Cao, Heyan Huang and Xian-Ling Mao
• Abstract要約: 本稿では,漢字のマルチモーダル情報を直接活用して,ReaLiSeという中国語スペルチェッカーを提案する。 ReaLiSeは、(1)入力文字のセマンティック、音声、グラフィック情報をキャプチャし、(2)これらのモダリティに情報を混ぜて正しい出力を予測することによって、CSCタスクをモデル化する。 SIGHANベンチマークの実験では、提案されたモデルは大きなマージンで強いベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 20.74049189959078
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chinese Spell Checking (CSC) aims to detect and correct erroneous characters for user-generated text in the Chinese language. Most of the Chinese spelling errors are misused semantically, phonetically or graphically similar characters. Previous attempts noticed this phenomenon and try to use the similarity for this task. However, these methods use either heuristics or handcrafted confusion sets to predict the correct character. In this paper, we propose a Chinese spell checker called ReaLiSe, by directly leveraging the multimodal information of the Chinese characters. The ReaLiSe model tackles the CSC task by (1) capturing the semantic, phonetic and graphic information of the input characters, and (2) selectively mixing the information in these modalities to predict the correct output. Experiments on the SIGHAN benchmarks show that the proposed model outperforms strong baselines by a large margin.
• Abstract（参考訳）: Chinese Spell Checking (CSC) は、中国語におけるユーザ生成テキストの誤字を検出し、訂正することを目的としている。 中国語の綴りの誤りのほとんどは、意味的に、音韻的に、またはグラフィカルに類似した文字で誤用される。 以前の試みはこの現象に気づき、この課題に類似性を利用することを試みた。 しかし、これらの手法はヒューリスティックまたは手作りの混乱セットを用いて正しいキャラクタを予測する。 本稿では,漢字のマルチモーダル情報を直接活用して,ReaLiSeという中国語スペルチェッカーを提案する。 ReaLiSeモデルは,(1)入力文字のセマンティック,音声,グラフィック情報をキャプチャし,(2)これらのモーダルの情報を選択的に混合して正しい出力を予測することによって,CSCタスクに取り組む。 SIGHANベンチマークの実験では、提案されたモデルは大きなマージンで強いベースラインを上回ります。

関連論文リスト

• C-LLM: Learn to Check Chinese Spelling Errors Character by Character [61.53865964535705]
  本稿では,C-LLMを提案する。C-LLMは,文字による誤り文字のチェックを学習する中国語のスペルチェック手法である。 C-LLMは既存の方法よりも平均10%改善する。
  論文  参考訳（メタデータ） (2024-06-24T11:16:31Z)
• Chinese Text Recognition with A Pre-Trained CLIP-Like Model Through Image-IDS Aligning [61.34060587461462]
  中国語テキスト認識(CTR)のための2段階フレームワークを提案する。 印刷文字画像とIdeographic Description Sequences (IDS) の整列によるCLIP様モデルの事前学習を行う。 この事前学習段階は、漢字を認識する人間をシミュレートし、各文字の標準表現を得る。 学習された表現はCTRモデルを監督するために使用され、従来の単一文字認識はテキストライン認識に改善される。
  論文  参考訳（メタデータ） (2023-09-03T05:33:16Z)
• Chinese Spelling Correction as Rephrasing Language Model [63.65217759957206]
  文中のスペル誤りを検知し,訂正することを目的とした中国語スペル補正(CSC)について検討する。 現在の最先端の手法は、CSCをシーケンスタギングタスクと文対上の細いBERTベースのモデルとみなしている。 本稿では,文字から文字へのタグ付けではなく,追加のスロットを埋め込むことで文全体を言い換える言語モデル(ReLM)を提案する。
  論文  参考訳（メタデータ） (2023-08-17T06:04:28Z)
• Disentangled Phonetic Representation for Chinese Spelling Correction [25.674770525359236]
  中国語のspelling Correctionは、中国語のテキスト中の誤字を検出し、訂正することを目的としている。 このタスクに音声情報を導入する試みは行われてきたが、通常は音声表現と文字表現を融合させる。 そこで本稿では,テキスト情報と音声情報の直接的相互作用を可能にするために,2種類の機能を切り離すことを提案する。
  論文  参考訳（メタデータ） (2023-05-24T06:39:12Z)
• A Chinese Spelling Check Framework Based on Reverse Contrastive Learning [4.60495447017298]
  本稿では,中国語のスペルチェックのための新しいフレームワークを提案する。 具体的には,モデルに類似事例間の合意を最小化するよう強制する,逆対比学習戦略を提案する。 実験結果から,本フレームワークはモデル非依存であり,既存の中国語スペルチェックモデルと組み合わせることで,最先端の性能が得られることが示された。
  論文  参考訳（メタデータ） (2022-10-25T08:05:38Z)
• Improving Chinese Spelling Check by Character Pronunciation Prediction: The Effects of Adaptivity and Granularity [76.20568599642799]
  中国語のスペルチェック(英語: Chinese spelling check, CSC)は、中国語のテキスト中のスペルエラーを検出し修正する基本的なNLPタスクである。 本稿では,CSCを改善するために中国語発音予測(CPP)の補助的タスクを導入することを検討する。 本稿では,共有エンコーダの2つの並列デコーダ上に構築したSCOPEを提案する。
  論文  参考訳（メタデータ） (2022-10-20T03:42:35Z)
• ChineseBERT: Chinese Pretraining Enhanced by Glyph and Pinyin Information [32.70080326854314]
  我々は,漢字のグリフとピニイン情報を事前学習に組み込んだ ChineseBERT を提案する。 提案した ChineseBERT モデルは,トレーニングステップの少ないベースラインモデルよりも大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2021-06-30T13:06:00Z)
• SHUOWEN-JIEZI: Linguistically Informed Tokenizers For Chinese Language Model Pretraining [48.880840711568425]
  事前学習された言語モデルの中国語トークン化に対する3つの要因の影響について検討する。 本稿では,発音に基づくトークン化システムであるSHUOWEN (Talk Word) と,グリフに基づくトークン化システムであるJIEZI (Solve Character) の3種類のトークン化手法を提案する。 SHUOWENとJIEZIは、一般的に従来のシングル文字トークンよりも優れた性能を持つ。
  論文  参考訳（メタデータ） (2021-06-01T11:20:02Z)
• 2kenize: Tying Subword Sequences for Chinese Script Conversion [54.33749520569979]
  本稿では,2つのスクリプト間のマッピングと変換をあいまいにできるモデルを提案する。 提案手法は,従来の漢字変換手法よりも精度が6ポイント向上した。
  論文  参考訳（メタデータ） (2020-05-07T10:53:05Z)
• SpellGCN: Incorporating Phonological and Visual Similarities into Language Models for Chinese Spelling Check [28.446849414110297]
  中国語のスペルチェック(英語: Chinese Spelling Check, CSC)は、中国語のスペルエラーを検出し、訂正するタスクである。 既存の手法では、漢字間の類似性に関する知識を取り入れようと試みている。 本稿では,特殊グラフ畳み込みネットワーク(SpellGCN)を用いて,CSCの言語モデルに音韻的・視覚的類似性を取り入れることを提案する。
  論文  参考訳（メタデータ） (2020-04-26T03:34:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。