Macbert4csc V2

🚀 macbert4csc_v2

macbert4csc_v2是一款用於中文拼寫糾錯的模型，採用了特定架構和訓練策略，可通過多種方式調用，在多個測評數據集上表現良好，適用於多種領域的文本糾錯任務。

🚀 快速開始

本模型可用於中文拼寫糾錯測評和文本糾錯，權重使用方面有其獨特特點。項目地址在https://github.com/yongzhuo/macro-correct 。

本模型權重為macbert4csc_v2，使用macbert4csc架構（pycorrector版本），其特點是在BertForMaskedLM後新加一個分支用於錯誤檢測任務（分類任務，不交互）；訓練時使用了MFT（動態mask 0.2的非錯誤tokens），同時det_loss的權重為0.3；推理時捨棄了macbert後面的部分（det-layer）。

使用方式有兩種：

1. 使用transformers調用；
2. 使用macro-correct項目調用；詳情見三、調用(Usage)。

✨ 主要特性

• 特定架構：在BertForMaskedLM後新加一個分支用於錯誤檢測任務（分類任務，不交互）。
• 訓練策略：訓練時使用了MFT（動態mask 0.2的非錯誤tokens），同時det_loss的權重為0.3。
• 推理優化：推理時捨棄了macbert後面的部分（det-layer）。
• 多領域適用性：使用多種領域數據訓練，比較均衡，適合作為第一步的預訓練模型，可用於專有領域數據的繼續微調。
• 文言文支持：訓練數據中存在文言文數據，訓練好的模型支持文言文糾錯。
• 高頻錯誤處理：對“地得的”等高頻錯誤具有較高的識別率和糾錯率。

📦 安裝指南

文檔未提及安裝步驟，故跳過此章節。

💻 使用示例

基礎用法

使用macro-correct

import os
os.environ["MACRO_CORRECT_FLAG_CSC_TOKEN"] = "1"

from macro_correct import correct
### 默認糾錯(list輸入)
text_list = ["真麻煩你了。希望你們好好的跳無",
             "少先隊員因該為老人讓坐",
             "機七學習是人工智能領遇最能體現智能的一個分知",
             "一隻小魚船浮在平淨的河面上"
             ]
text_csc = correct(text_list)
print("默認糾錯(list輸入):")
for res_i in text_csc:
    print(res_i)
print("#" * 128)

"""
默認糾錯(list輸入):
{'index': 0, 'source': '真麻煩你了。希望你們好好的跳無', 'target': '真麻煩你了。希望你們好好地跳舞', 'errors': [['的', '地', 12, 0.6584], ['無', '舞', 14, 1.0]]}
{'index': 1, 'source': '少先隊員因該為老人讓坐', 'target': '少先隊員應該為老人讓坐', 'errors': [['因', '應', 4, 0.995]]}
{'index': 2, 'source': '機七學習是人工智能領遇最能體現智能的一個分知', 'target': '機器學習是人工智能領域最能體現智能的一個分支', 'errors': [['七', '器', 1, 0.9998], ['遇', '域', 10, 0.9999], ['知', '支', 21, 1.0]]}
{'index': 3, 'source': '一隻小魚船浮在平淨的河面上', 'target': '一隻小魚船浮在平靜的河面上', 'errors': [['淨', '靜', 8, 0.9961]]}
"""

使用transformers

# !/usr/bin/python
# -*- coding: utf-8 -*-
# @time    : 2021/2/29 21:41
# @author  : Mo
# @function: transformers直接加載bert類模型測試


import traceback
import time
import sys
import os
os.environ["USE_TORCH"] = "1"
from transformers import BertConfig, BertTokenizer, BertForMaskedLM
import torch

# pretrained_model_name_or_path = "shibing624/macbert4csc-base-chinese"
# pretrained_model_name_or_path = "Macropodus/macbert4mdcspell_v1"
# pretrained_model_name_or_path = "Macropodus/macbert4csc_v1"
pretrained_model_name_or_path = "Macropodus/macbert4csc_v2"
# pretrained_model_name_or_path = "Macropodus/bert4csc_v1"
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
max_len = 128

print("load model, please wait a few minute!")
tokenizer = BertTokenizer.from_pretrained(pretrained_model_name_or_path)
bert_config = BertConfig.from_pretrained(pretrained_model_name_or_path)
model = BertForMaskedLM.from_pretrained(pretrained_model_name_or_path)
model.to(device)
print("load model success!")

texts = [
    "機七學習是人工智能領遇最能體現智能的一個分知",
    "我是練習時長兩念半的鴿仁練習生蔡徐坤",
    "真麻煩你了。希望你們好好的跳無",
    "他法語說的很好，的語也不錯",
    "遇到一位很棒的奴生跟我療天",
    "我們為這個目標努力不解",
]
len_mid = min(max_len, max([len(t)+2 for t in texts]))

with torch.no_grad():
    outputs = model(**tokenizer(texts, padding=True, max_length=len_mid,
                                return_tensors="pt").to(device))

def get_errors(source, target):
    """   極簡方法獲取 errors   """
    len_min = min(len(source), len(target))
    errors = []
    for idx in range(len_min):
        if source[idx] != target[idx]:
            errors.append([source[idx], target[idx], idx])
    return errors

result = []
for probs, source in zip(outputs.logits, texts):
    ids = torch.argmax(probs, dim=-1)
    tokens_space = tokenizer.decode(ids[1:-1], skip_special_tokens=False)
    text_new = tokens_space.replace(" ", "")
    target = text_new[:len(source)]
    errors = get_errors(source, target)
    print(source, " => ", target, errors)
    result.append([target, errors])
print(result)
"""
機七學習是人工智能領遇最能體現智能的一個分知  =>  機器學習是人工智能領域最能體現智能的一個分支 [['七', '器', 1], ['遇', '域', 10], ['知', '支', 21]]
我是練習時長兩念半的鴿仁練習生蔡徐坤  =>  我是練習時長兩年半的個人練習生蔡徐坤 [['念', '年', 7], ['鴿', '個', 10], ['仁', '人', 11]]
真麻煩你了。希望你們好好的跳無  =>  真麻煩你了。希望你們好好地跳舞 [['的', '地', 12], ['無', '舞', 14]]
他法語說的很好，的語也不錯  =>  他法語說得很好，德語也不錯 [['的', '得', 4], ['的', '德', 8]]
遇到一位很棒的奴生跟我療天  =>  遇到一位很棒的女生跟我聊天 [['奴', '女', 7], ['療', '聊', 11]]
我們為這個目標努力不解  =>  我們為這個目標努力不懈 [['解', '懈', 10]]
"""

📚 詳細文檔

一、測評(Test)

1.1 測評數據來源

地址為Macropodus/csc_eval_public，所有訓練數據均來自公網或開源數據，訓練數據為1千萬左右，混淆詞典較大。

1.gen_de3.json(5545): '的地得'糾錯，由人民日報/學習強國/chinese-poetry等高質量數據人工生成；
2.lemon_v2.tet.json(1053): relm論文提出的數據，多領域拼寫糾錯數據集(7個領域)；包括game(GAM)、encyclopedia (ENC)、contract (COT)、medical care(MEC)、car (CAR)、novel (NOV)和news (NEW)等領域；
3.acc_rmrb.tet.json(4636): 來自NER - 199801(人民日報高質量語料)；
4.acc_xxqg.tet.json(5000): 來自學習強國網站的高質量語料；
5.gen_passage.tet.json(10000): 源數據為qwen生成的好詞好句，由幾乎所有的開源數據彙總的混淆詞典生成；
6.textproof.tet.json(1447): NLP競賽數據，TextProofreadingCompetition；
7.gen_xxqg.tet.json(5000): 源數據為學習強國網站的高質量語料，由幾乎所有的開源數據彙總的混淆詞典生成；
8.faspell.dev.json(1000): 視頻字幕通過OCR後獲取的數據集；來自愛奇藝的論文faspell；
9.lomo_tet.json(5000): 主要為音似中文拼寫糾錯數據集；來自騰訊；人工標註的數據集CSCD - NS；
10.mcsc_tet.5000.json(5000): 醫學拼寫糾錯；來自騰訊醫典APP的真實歷史日誌；注意論文說該數據集只關注醫學實體的糾錯，常用字等的糾錯並不關注；
11.ecspell.dev.json(1500): 來自ECSpell論文，包括(law/med/gov)等三個領域；
12.sighan2013.dev.json(1000): 來自sighan13會議；
13.sighan2014.dev.json(1062): 來自sighan14會議；
14.sighan2015.dev.json(1100): 來自sighan15會議；

1.2 測評數據預處理

測評數據都經過全角轉半角，繁簡轉化，標點符號標準化等操作。

1.3 其他說明

1.指標帶common的極為寬鬆指標，同開源項目pycorrector的評估指標；
2.指標帶strict的極為嚴格指標，同開源項目[wangwang110/CSC](https://github.com/wangwang110/CSC)；
3.macbert4mdcspell_v1模型為訓練使用mdcspell架構 + bert的mlm - loss，但是推理的時候只用bert - mlm；
4.acc_rmrb/acc_xxqg數據集沒有錯誤，用於評估模型的誤糾率(過度糾錯)；
5.qwen25_1 - 5b_pycorrector的模型為shibing624/chinese - text - correction - 1.5b，其訓練數據包括了lemon_v2/mcsc_tet/ecspell的驗證集和測試集，其他的bert類模型的訓練不包括驗證集和測試集；

二、重要指標

2.1 F1(common_cor_f1)

2.2 acc(common_cor_acc)

2.3 acc(acc_true, thr = 0.75)

二、結論(Conclusion)

1.macbert4csc_v1/macbert4csc_v2/macbert4mdcspell_v1等模型使用多種領域數據訓練，比較均衡，也適合作為第一步的預訓練模型，可用於專有領域數據的繼續微調；
2.比較macbert4csc_pycorrector/bertbase4csc_v1/macbert4csc_v2/macbert4mdcspell_v1，觀察表2.3，可以發現訓練數據越多，準確率提升的同時，誤糾率也會稍微高一些；
3.MFT(Mask - Correct)依舊有效，不過對於數據量足夠的情形提升不明顯，可能也是誤糾率升高的一個重要原因；
4.訓練數據中也存在文言文數據，訓練好的模型也支持文言文糾錯；
5.訓練好的模型對“地得的”等高頻錯誤具有較高的識別率和糾錯率；

四、論文(Paper)

• 2024 - Refining: Refining Corpora from a Model Calibration Perspective for Chinese
• 2024 - ReLM: Chinese Spelling Correction as Rephrasing Language Model
• 2024 - DICS: DISC: Plug - and - Play Decoding Intervention with Similarity of Characters for Chinese Spelling Check
• 2023 - Bi - DCSpell: A Bi - directional Detector - Corrector Interactive Framework for Chinese Spelling Check
• 2023 - BERT - MFT: Rethinking Masked Language Modeling for Chinese Spelling Correction
• 2023 - PTCSpell: PTCSpell: Pre - trained Corrector Based on Character Shape and Pinyin for Chinese Spelling Correction
• 2023 - DR - CSC: [A Frustratingly Easy Plug - and - Play Detection - and - Reasoning Module for Chinese](https://aclanthology.org/2023.findings - emnlp.771)
• 2023 - DROM: Disentangled Phonetic Representation for Chinese Spelling Correction
• 2023 - EGCM: An Error - Guided Correction Model for Chinese Spelling Error Correction
• 2023 - IGPI: Investigating Glyph - Phonetic Information for Chinese Spell Checking: What Works and What’s Next?
• 2023 - CL: Contextual Similarity is More Valuable than Character Similarity - An Empirical Study for Chinese Spell Checking
• 2022 - CRASpell: [CRASpell: A Contextual Typo Robust Approach to Improve Chinese Spelling Correction](https://aclanthology.org/2022.findings - acl.237)
• 2022 - MDCSpell: [MDCSpell: A Multi - task Detector - Corrector Framework for Chinese Spelling Correction](https://aclanthology.org/2022.findings - acl.98)
• 2022 - SCOPE: Improving Chinese Spelling Check by Character Pronunciation Prediction: The Effects of Adaptivity and Granularity
• 2022 - ECOPO: The Past Mistake is the Future Wisdom: Error - driven Contrastive Probability Optimization for Chinese Spell Checking
• 2021 - MLMPhonetics: [Correcting Chinese Spelling Errors with Phonetic Pre - training](https://aclanthology.org/2021.findings - acl.198)
• 2021 - ChineseBERT: [ChineseBERT: Chinese Pretraining Enhanced by Glyph and Pinyin Information](https://aclanthology.org/2021.acl - long.161/)
• 2021 - BERTCrsGad: [Global Attention Decoder for Chinese Spelling Error Correction](https://aclanthology.org/2021.findings - acl.122)
• 2021 - ThinkTwice: [Think Twice: A Post - Processing Approach for the Chinese Spelling Error Correction](https://www.mdpi.com/2076 - 3417/11/13/5832)
• 2021 - PHMOSpell: [PHMOSpell: Phonological and Morphological Knowledge Guided Chinese Spelling Chec](https://aclanthology.org/2021.acl - long.464)
• 2021 - SpellBERT: [SpellBERT: A Lightweight Pretrained Model for Chinese Spelling Check](https://aclanthology.org/2021.emnlp - main.287)
• 2021 - TwoWays: [Exploration and Exploitation: Two Ways to Improve Chinese Spelling Correction Models](https://aclanthology.org/2021.acl - short.56)
• 2021 - ReaLiSe: Read, Listen, and See: Leveraging Multimodal Information Helps Chinese Spell Checking
• 2021 - DCSpell: DCSpell: A Detector - Corrector Framework for Chinese Spelling Error Correction
• 2021 - PLOME: [PLOME: Pre - training with Misspelled Knowledge for Chinese Spelling Correction](https://aclanthology.org/2021.acl - long.233)
• 2021 - DCN: [Dynamic Connected Networks for Chinese Spelling Check](https://aclanthology.org/2021.findings - acl.216/)
• 2020 - SoftMaskBERT: Spelling Error Correction with Soft - Masked BERT
• 2020 - SpellGCN: SpellGCN：Incorporating Phonological and Visual Similarities into Language Models for Chinese Spelling Check
• 2020 - ChunkCSC: [Chunk - based Chinese Spelling Check with Global Optimization](https://aclanthology.org/2020.findings - emnlp.184)
• 2020 - MacBERT: Revisiting Pre - Trained Models for Chinese Natural Language Processing
• 2019 - FASPell: [FASPell: A Fast, Adaptable, Simple, Powerful Chinese Spell Checker Based On DAE - Decoder Paradigm](https://aclanthology.org/D19 - 5522)
• 2018 - Hybrid: [A Hybrid Approach to Automatic Corpus Generation for Chinese Spelling Checking](https://aclanthology.org/D18 - 1273)
• 2015 - Sighan15: [Introduction to SIGHAN 2015 Bake - off for Chinese Spelling Check](https://aclanthology.org/W15 - 3106/)
• 2014 - Sighan14: [Overview of SIGHAN 2014 Bake - off for Chinese Spelling Check](https://aclanthology.org/W14 - 6820/)
• 2013 - Sighan13: [Chinese Spelling Check Evaluation at SIGHAN Bake - off 2013](https://aclanthology.org/W13 - 4406/)

五、參考(Refer)

• [nghuyong/Chinese - text - correction - papers](https://github.com/nghuyong/Chinese - text - correction - papers)
• destwang/CTCResources
• wangwang110/CSC
• [chinese - poetry/chinese - poetry](https://github.com/chinese - poetry/chinese - poetry)
• [chinese - poetry/huajianji](https://github.com/chinese - poetry/huajianji)
• garychowcmu/daizhigev20
• yangjianxin1/Firefly
• Macropodus/xuexiqiangguo_428w
• Macropodus/csc_clean_wang271k
• Macropodus/csc_eval_public
• shibing624/pycorrector
• iioSnail/MDCSpell_pytorch
• gingasan/lemon
• [Claude - Liu/ReLM](https://github.com/Claude - Liu/ReLM)

六、引用(Cite)

如需引用此項目，可參考當前GitHub項目。例如，使用BibTeX格式：

@software{macro-correct,
    url = {https://github.com/yongzhuo/macro-correct},
    author = {Yongzhuo Mo},
    title = {macro-correct},
    year = {2025}

🔧 技術細節

本模型權重為macbert4csc_v2，使用macbert4csc架構（pycorrector版本），其特點是在BertForMaskedLM後新加一個分支用於錯誤檢測任務（分類任務，不交互）；訓練時使用了MFT（動態mask 0.2的非錯誤tokens），同時det_loss的權重為0.3；推理時捨棄了macbert後面的部分（det-layer）。

📄 許可證

本項目採用Apache 2.0許可證。