基于半字符级循环神经网络的鲁棒单词识别
计算与语言
2017-02-08 v2
摘要
人类的语言处理机制通常比计算机更鲁棒。心理语言学文献中的剑桥大学效应展示了这种鲁棒的单词处理机制，其中字序打乱的单词（如 Cmabrigde / Cambridge）能以极小的代价被识别。另一方面，单词识别的计算模型（如拼写检查器）在含有此类噪声的数据上表现不佳。受剑桥大学效应发现的启发，我们提出了一种基于半字符级循环神经网络（scRNN）的单词识别模型。在实验中，我们证明了与现有的拼写检查器和基于字符的卷积神经网络相比，scRNN在单词拼写纠错（即单词识别）方面表现出显著更鲁棒的性能。此外，我们通过利用该模型复现一项关于人类阅读困难的心理语言学实验，证明了该模型在认知上的合理性。
引用
@article{arxiv.1608.02214,
title = {Robsut Wrod Reocginiton via semi-Character Recurrent Neural Network},
author = {Keisuke Sakaguchi and Kevin Duh and Matt Post and Benjamin Van Durme},
journal= {arXiv preprint arXiv:1608.02214},
year = {2017}
}