如需要完整文档点击下方 "点击下载文档" 按钮

互联网时代的新闻宣传领域,每天都会产生海量的文本稿件,仅依靠人工进行校正,成本极高,效率低下。 利用计算机辅助技术对新闻稿件进行审阅极 大地提高了校稿效率,大大减少人力成本,进一步利用特定新闻领域语料集的深度学习模型,完成个性化定制,在该领域的纠错过程中可以取得更好的效果。 文中使用一种全新的中文文本纠错模型理论:Soft-Masked BERT,该模型将中文文本的检错过程与纠错过程分离,纠正网络的输入来自于检测网络输出。 文中旨在 Soft -Masked BERT 基础上进行改进并应用。 使用“ 哈尔滨工业大学新闻网” 新闻稿件中 10 000 条文本序列( HIT News Site) 作为初始语料进行训练,之后对该新闻网的相关稿件进行中文文本校对。 结果表明,Soft-Masked 模型在 HIT News Site 数据集上的整体性能表现优于 BERT-Finetune,准确率提高 0. 6 个百分点,精确率提高 1. 3 个百分点,召回率提高 1. 5 个百分点,F1 分数提高 1. 4 个百分点,效果良好。

如需要完整文档点击下方 "点击下载文档" 按钮

《基于 Soft-Masked BERT 的新闻文本纠错研究》

将 完整文档 下载到本地，方便收藏和查阅

文件号：059435

点击下载文档