Macbert4csc V2

🚀 macbert4csc_v2

macbert4csc_v2是一款用于中文拼写纠错的模型，采用了特定架构和训练策略，可通过多种方式调用，在多个测评数据集上表现良好，适用于多种领域的文本纠错任务。

🚀 快速开始

本模型可用于中文拼写纠错测评和文本纠错，权重使用方面有其独特特点。项目地址在https://github.com/yongzhuo/macro-correct 。

本模型权重为macbert4csc_v2，使用macbert4csc架构（pycorrector版本），其特点是在BertForMaskedLM后新加一个分支用于错误检测任务（分类任务，不交互）；训练时使用了MFT（动态mask 0.2的非错误tokens），同时det_loss的权重为0.3；推理时舍弃了macbert后面的部分（det-layer）。

使用方式有两种：

1. 使用transformers调用；
2. 使用macro-correct项目调用；详情见三、调用(Usage)。

✨ 主要特性

• 特定架构：在BertForMaskedLM后新加一个分支用于错误检测任务（分类任务，不交互）。
• 训练策略：训练时使用了MFT（动态mask 0.2的非错误tokens），同时det_loss的权重为0.3。
• 推理优化：推理时舍弃了macbert后面的部分（det-layer）。
• 多领域适用性：使用多种领域数据训练，比较均衡，适合作为第一步的预训练模型，可用于专有领域数据的继续微调。
• 文言文支持：训练数据中存在文言文数据，训练好的模型支持文言文纠错。
• 高频错误处理：对“地得的”等高频错误具有较高的识别率和纠错率。

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

基础用法

使用macro-correct

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

from macro_correct import correct
### 默认纠错(list输入)
text_list = ["真麻烦你了。希望你们好好的跳无",
             "少先队员因该为老人让坐",
             "机七学习是人工智能领遇最能体现智能的一个分知",
             "一只小鱼船浮在平净的河面上"
             ]
text_csc = correct(text_list)
print("默认纠错(list输入):")
for res_i in text_csc:
    print(res_i)
print("#" * 128)

"""
默认纠错(list输入):
{'index': 0, 'source': '真麻烦你了。希望你们好好的跳无', 'target': '真麻烦你了。希望你们好好地跳舞', 'errors': [['的', '地', 12, 0.6584], ['无', '舞', 14, 1.0]]}
{'index': 1, 'source': '少先队员因该为老人让坐', 'target': '少先队员应该为老人让坐', 'errors': [['因', '应', 4, 0.995]]}
{'index': 2, 'source': '机七学习是人工智能领遇最能体现智能的一个分知', 'target': '机器学习是人工智能领域最能体现智能的一个分支', 'errors': [['七', '器', 1, 0.9998], ['遇', '域', 10, 0.9999], ['知', '支', 21, 1.0]]}
{'index': 3, 'source': '一只小鱼船浮在平净的河面上', 'target': '一只小鱼船浮在平静的河面上', 'errors': [['净', '静', 8, 0.9961]]}
"""

使用transformers

# !/usr/bin/python
# -*- coding: utf-8 -*-
# @time    : 2021/2/29 21:41
# @author  : Mo
# @function: transformers直接加载bert类模型测试


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 = [
    "机七学习是人工智能领遇最能体现智能的一个分知",
    "我是练习时长两念半的鸽仁练习生蔡徐坤",
    "真麻烦你了。希望你们好好的跳无",
    "他法语说的很好，的语也不错",
    "遇到一位很棒的奴生跟我疗天",
    "我们为这个目标努力不解",
]
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):
    """   极简方法获取 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)
"""
机七学习是人工智能领遇最能体现智能的一个分知  =>  机器学习是人工智能领域最能体现智能的一个分支 [['七', '器', 1], ['遇', '域', 10], ['知', '支', 21]]
我是练习时长两念半的鸽仁练习生蔡徐坤  =>  我是练习时长两年半的个人练习生蔡徐坤 [['念', '年', 7], ['鸽', '个', 10], ['仁', '人', 11]]
真麻烦你了。希望你们好好的跳无  =>  真麻烦你了。希望你们好好地跳舞 [['的', '地', 12], ['无', '舞', 14]]
他法语说的很好，的语也不错  =>  他法语说得很好，德语也不错 [['的', '得', 4], ['的', '德', 8]]
遇到一位很棒的奴生跟我疗天  =>  遇到一位很棒的女生跟我聊天 [['奴', '女', 7], ['疗', '聊', 11]]
我们为这个目标努力不解  =>  我们为这个目标努力不懈 [['解', '懈', 10]]
"""

📚 详细文档

一、测评(Test)

1.1 测评数据来源

地址为Macropodus/csc_eval_public，所有训练数据均来自公网或开源数据，训练数据为1千万左右，混淆词典较大。

1.gen_de3.json(5545): '的地得'纠错，由人民日报/学习强国/chinese-poetry等高质量数据人工生成；
2.lemon_v2.tet.json(1053): relm论文提出的数据，多领域拼写纠错数据集(7个领域)；包括game(GAM)、encyclopedia (ENC)、contract (COT)、medical care(MEC)、car (CAR)、novel (NOV)和news (NEW)等领域；
3.acc_rmrb.tet.json(4636): 来自NER - 199801(人民日报高质量语料)；
4.acc_xxqg.tet.json(5000): 来自学习强国网站的高质量语料；
5.gen_passage.tet.json(10000): 源数据为qwen生成的好词好句，由几乎所有的开源数据汇总的混淆词典生成；
6.textproof.tet.json(1447): NLP竞赛数据，TextProofreadingCompetition；
7.gen_xxqg.tet.json(5000): 源数据为学习强国网站的高质量语料，由几乎所有的开源数据汇总的混淆词典生成；
8.faspell.dev.json(1000): 视频字幕通过OCR后获取的数据集；来自爱奇艺的论文faspell；
9.lomo_tet.json(5000): 主要为音似中文拼写纠错数据集；来自腾讯；人工标注的数据集CSCD - NS；
10.mcsc_tet.5000.json(5000): 医学拼写纠错；来自腾讯医典APP的真实历史日志；注意论文说该数据集只关注医学实体的纠错，常用字等的纠错并不关注；
11.ecspell.dev.json(1500): 来自ECSpell论文，包括(law/med/gov)等三个领域；
12.sighan2013.dev.json(1000): 来自sighan13会议；
13.sighan2014.dev.json(1062): 来自sighan14会议；
14.sighan2015.dev.json(1100): 来自sighan15会议；

1.2 测评数据预处理

测评数据都经过全角转半角，繁简转化，标点符号标准化等操作。

1.3 其他说明

1.指标带common的极为宽松指标，同开源项目pycorrector的评估指标；
2.指标带strict的极为严格指标，同开源项目[wangwang110/CSC](https://github.com/wangwang110/CSC)；
3.macbert4mdcspell_v1模型为训练使用mdcspell架构 + bert的mlm - loss，但是推理的时候只用bert - mlm；
4.acc_rmrb/acc_xxqg数据集没有错误，用于评估模型的误纠率(过度纠错)；
5.qwen25_1 - 5b_pycorrector的模型为shibing624/chinese - text - correction - 1.5b，其训练数据包括了lemon_v2/mcsc_tet/ecspell的验证集和测试集，其他的bert类模型的训练不包括验证集和测试集；

二、重要指标

2.1 F1(common_cor_f1)

2.2 acc(common_cor_acc)

2.3 acc(acc_true, thr = 0.75)

二、结论(Conclusion)

1.macbert4csc_v1/macbert4csc_v2/macbert4mdcspell_v1等模型使用多种领域数据训练，比较均衡，也适合作为第一步的预训练模型，可用于专有领域数据的继续微调；
2.比较macbert4csc_pycorrector/bertbase4csc_v1/macbert4csc_v2/macbert4mdcspell_v1，观察表2.3，可以发现训练数据越多，准确率提升的同时，误纠率也会稍微高一些；
3.MFT(Mask - Correct)依旧有效，不过对于数据量足够的情形提升不明显，可能也是误纠率升高的一个重要原因；
4.训练数据中也存在文言文数据，训练好的模型也支持文言文纠错；
5.训练好的模型对“地得的”等高频错误具有较高的识别率和纠错率；

四、论文(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、参考(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)

如需引用此项目，可参考当前GitHub项目。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}

🔧 技术细节

本模型权重为macbert4csc_v2，使用macbert4csc架构（pycorrector版本），其特点是在BertForMaskedLM后新加一个分支用于错误检测任务（分类任务，不交互）；训练时使用了MFT（动态mask 0.2的非错误tokens），同时det_loss的权重为0.3；推理时舍弃了macbert后面的部分（det-layer）。

📄 许可证

本项目采用Apache 2.0许可证。