糾錯是搜索引擎中一個非常有特色的模塊，對用戶輸入的內(nèi)容進行改寫從而讓用戶得到正確的結(jié)果，有的時候也會帶有一些驚喜度，所以糾錯技術(shù)是一個搜索體驗的加分項，近期突然對這塊有興趣，所以就了解了一下。

糾錯技術(shù)的背景

人非圣賢，孰能無過，別說是搜索的時候，哪怕是我們打字、寫作文的時候，都會出現(xiàn)錯字，一般的錯別字不會對最終目標(biāo)帶來很大影響，且出現(xiàn)頻率很低，不拘小節(jié)的我們常常會忽略這樣的小問題，但是，在搜索場景下，錯別字意味著可能就搜不到內(nèi)容了，對于用戶而言，就是需求無法滿足，造成了很差的體驗，因此在搜索場景中，就很有必要去糾錯。

錯誤是如何產(chǎn)生的

要去糾錯，先要去看看錯誤是怎么產(chǎn)生的。

首先是誤操作類型，這種類型可以從輸入法角度去看。

拼音輸入法。常會出現(xiàn)同音異形字，例如周節(jié)倫等。

筆畫輸入法或者手寫輸入法。常會出現(xiàn)形似字，例如博和傅。

然后是用戶的主觀理解，有的時候用戶只是聽說過而沒見過，或者就是理解問題，導(dǎo)致主動地出入了錯誤的內(nèi)容，例如飛揚拔（跋）扈，然后有一些名詞，例如小說、音樂、電影等，寫錯字是非常容易的。

當(dāng)然，也有用戶圖方便，或者輸入問題，導(dǎo)致直接輸入拼音或者拼音前綴，或者就是因為記憶的原因，輸錯了。

當(dāng)然這里也要補充一些常見的問題舉例：

諧音。深圳-森圳。

別字。師傅-師博。

中英文。Taylor swift-泰勒斯威夫特。

近義詞。愛情呼叫轉(zhuǎn)移-戀愛呼叫轉(zhuǎn)移。

形近字。高粱-高梁。

全拼。深圳-shenzhen。

拼音前綴。北京-bj。

內(nèi)容不完整。唐人街探案-唐人。

總之錯誤千奇百怪。理解錯誤產(chǎn)生的機理，我們就可以嘗試去處理這些問題。

詞典與規(guī)則方法

詞典是搜索系統(tǒng)中非常常用的方法，詞典具有高速、高準(zhǔn)的優(yōu)點，如果詞典的覆蓋度高，甚至可以達到高召回的效果，因此詞典基本是搜索系統(tǒng)中的核心存在，我們不應(yīng)該小看他，而是盡可能挖掘他的潛能。

詞典方法，說白了就是對query找對應(yīng)詞典里有沒有，如果有就改寫過去，這種方法的優(yōu)點在于速度快，而難點在于怎么去挖掘這個詞典。

至于怎么挖掘這個詞典，方法有很多底層數(shù)據(jù)庫抽取，用戶日志等，都有很多構(gòu)建起這樣的詞典，能夠大大降低耗時，復(fù)雜度至于query和單詞長度有關(guān)。那么一般都有什么詞典呢，我們來一個一個看看。

拼音和拼音前綴詞典。先將query或者單詞轉(zhuǎn)為拼音，然后通過通過拼音召回對應(yīng)的結(jié)果，完成糾錯。

別字詞典，記錄一些常見的錯別字，例如百度的形近詞表就很不錯（就在百度百科里面）。

其他改寫字典。一般基于具體業(yè)務(wù)來改寫，例如用戶輸入唐人街探案，其實唐人街探案有3部，我們應(yīng)該給那個，需要基于熱度等方面去改寫到具體最合適的一部。

詞典只是能夠匹配到合適的結(jié)果，但是我們需要知道的是，改寫的內(nèi)容不能和原來差距太遠，否則會出現(xiàn)很多意料之外的結(jié)果，因此改寫不能大改，只能改微調(diào)，否則出來的結(jié)果會讓用戶感到很懵逼?？刂频姆椒ㄖ饕蔷庉嬀嚯x。

所謂的編輯距離，就是改寫前到改寫后，需要經(jīng)過的操作多少，說人話就是兩句話的不同點有幾個，精確到字級別。深圳-森圳的編輯距離就是1。通過編輯距離的約束，一般能夠讓兩者的差距不是很大。

我知道很多人熱衷于用語義相似度之類的操作，不管別的什么方法，編輯距離一定要約束，用戶強調(diào)的是直觀感受，語義相近與否不是他們第一個關(guān)心的，只有當(dāng)字相近的結(jié)果不好的時候考慮語義相近才是用戶的實際反映，且錯別字帶來的語義變化非常大，此處用予以相似度其實不完全合適。

模型類方法

說是詞典和規(guī)則好處很多，但是在泛化能力上，模型還是很強的。那么在模型視角下，其實會分為下面3個步驟進行分析處理。

錯誤診斷。即判斷有沒有錯。

修正召回。召回可能的修改項。保證召回率

修正確認(rèn)。判斷最終需要的修改項。保證準(zhǔn)確率。

當(dāng)然，如果模型足夠強力，召回和確認(rèn)兩個步驟也可以合并，具體看準(zhǔn)招和耗時了。

其實這個思路最廣泛的應(yīng)用就是推薦系統(tǒng)，召回和排序分離，這個我在大概是去年很早的一篇文章里談到在這個，這是推薦系統(tǒng)里面非常重要的思想，這個思想其實在很多地方可以遷移下面的一條公眾號文章。

至于模型層面，有下面的思路。

kenlm統(tǒng)計語言工具。運用統(tǒng)計學(xué)方法進行語言建模從而檢測和修正錯誤。

rnn_attention。RNN加上attention還是一個非常有意思的方法。

rnn_crf模型：說起來你們可能不信，這個思路來自阿里2016參賽中文語法糾錯比賽的第一名的方法。

seq2seq_attention模型：比RNN強一些，長文本效果不錯，但是容易過擬合。

transformer：線性優(yōu)秀的序列表征模型，大家懂的。

bert：中文微調(diào)，最妙的是mask可協(xié)助糾正錯別字。

conv_seq2seq模型：基于Facebook出品的fairseq，在NLPCC-2018的中文語法糾錯比賽中，是唯一使用單模型并取得第三名的成績。

小結(jié)

怎么說呢，目前我還只是在探索，深度不是很夠，后面有所補充，再和大家交流，參考文獻放這里吧：

中文文本糾錯算法--錯別字糾正的二三事：https://zhuanlan.zhihu.com/p/40806718

pycorrector：https://github.com/shibing624/pycorrector

中文文本糾錯算法走到多遠了？：https://blog.csdn.net/sinat_26917383/article/details/86737361