揭示多模态特征对中文拼写纠错影响：从分析到设计
计算与语言
2025-04-11 v1
摘要
中文拼写纠错（CSC）任务旨在检测并纠正句子中的拼写错误。当前研究主要探讨两种方法：传统的多模态预训练模型和大语言模型（LLM）。然而，LLM 在 CSC 任务中面临局限，尤其是过度纠错，使其不够适用于该任务。虽然已有研究考察了语音信息和字形信息在多模态 CSC 模型中的应用，但如何有效利用这些特征来提升纠错性能仍是一个挑战。为此，我们提出了字符用途多模态分析（\textbf{MACU}）实验，识别多模态纠错的潜在改进。基于实证发现，我们引入 \textbf{NamBert}——一个用于中文拼写纠错的新型多模态模型。基准数据集上的实验表明，NamBert 在 SOTA 方法上取得优势。我们还对 NamBert 与 LLM 进行了全面比较，系统评估了它们在 CSC 任务中的优势与局限。我们的代码和模型已提供：https://github.com/iioSnail/NamBert。
引用
@article{arxiv.2504.07661,
title = {Unveiling the Impact of Multimodal Features on Chinese Spelling Correction: From Analysis to Design},
author = {Xiaowu Zhang and Hongfei Zhao and Jingyi Hou and Zhijie Liu},
journal= {arXiv preprint arXiv:2504.07661},
year = {2025}
}