“我受爸爸妈妈”里的“受”该改成“爱”？“不怕措折地奋斗”中的“措”实为“挫”？这些因拼音相近或字形相似引发的中文拼写错误，如今有了更精准的AI纠错方案。北京理工大学联合华为诺亚方舟实验室的研究团队，提出多模态预训练模型DRMSpell，通过动态权衡“文本、拼音、字形”三种信息，在中文拼写纠错（CSC）任务中刷新多项纪录，相关成果发表于《Frontiers of Information Technology & Electronic Engineering》。

中文纠错为何难？多模态信息“各唱各调”

中文拼写纠错是自然语言处理的关键环节，直接影响OCR（光学字符识别）、语音转文字等技术的落地效果。但中文“一字多音”“形近字多”的特性，让纠错任务充满挑战：比如“热”和“然”长得像，“措”和“挫”发音同，仅靠文本上下文，AI常因信息不足“卡壳”。

此前，研究者尝试引入拼音（语音）、字形（视觉）等多模态信息辅助纠错，但存在两大短板：一是各模态信息“简单叠加”，没考虑不同错误类型（如拼音错或字形错）需要侧重不同模态；二是预训练时“一刀切”替换所有模态信息，导致模型对噪声（如输入信息不全）的适应能力差。

DRMSpell：给多模态信息装个“智能裁判”

针对这些痛点，团队开发了DRMSpell模型，核心创新在于两大设计：

动态重加权多模态模块（DRM）：如同给AI配备“智能裁判”，处理每个汉字时，会动态计算文本、拼音、字形三种模态的“重要度”。例如，遇到“热”和“然”这类字形相似的错误，模型会给“字形”更高权重；遇到“措”和“挫”这类拼音相同的错误，则更依赖“拼音”模态。这种“按需分配”的策略，让AI能根据上下文灵活调整信息优先级。

独立模态掩码策略（IMS）：传统预训练中，若一个字被“掩码”（即替换为未知符号），其文本、拼音、字形信息会被同时替换。而IMS会独立处理各模态——比如文本用“热”，拼音用随机噪声“ren”，字形用正确的“然”。这种“出难题”的训练方式，让模型学会在部分信息错误或缺失时仍能准确纠错，抗干扰能力更强。

实验验证：多数据集“霸榜”，OCR纠错更擅长

在SIGHAN13、SIGHAN14、SIGHAN15等权威测试集上，DRMSpell表现亮眼：

• 在SIGHAN15的句子级纠错任务中，F1得分达80.6%，比此前最优模型提升1个百分点；
• 在OCR数据集（含大量形近字错误）中，句子级纠错F1得分比经典模型BERT高5.3个百分点，对OCR识别中“看走眼”的错误纠正更准。

团队还做了“压力测试”：当输入的拼音或字形有噪声（如拼音输错、字形模糊）时，DRMSpell仍能保持高准确率；若输入正确的字形，模型几乎能100%纠正错误——这验证了字形信息对中文纠错的关键作用（每个汉字的字形唯一，歧义更少）。

未来：让AI“更懂汉字”，赋能更多场景

“中文是象形文字，字形里藏着语义密码。”研究人员表示，DRMSpell的突破不仅提升了纠错准确率，更验证了多模态信息动态融合的有效性。未来，团队计划进一步探索字形与文本表示的差异，优化模型对多音字、生僻字的处理能力，助力OCR设备、智能客服、教育类APP等场景的文本处理更精准。

来源: 信息与电子工程前沿FITEE