hillzhang1999/ctc-report

CTC2021-中文文本纠错大赛的SOTA方案及在线演示

Hi there 👋

My name is Yue Zhang (章岳). You can call me Yue or Hill (岳 means hill in Chinese).

• 🌱 I am currently a final-year graduate student (expected to graduate in 2024) at HLT@SUDA, advised by Prof. Zhenghua Li. Before this, I received my Bachelor's degree (2017-2021, software engineering) from Soochow University.
• 👯 I am also currently an NLP intern at Bytedance LLM team. Previously, I also interned at Alibaba DAMO Academy (from 2021.07 to 2023) and Tencent AI Lab (from 2023.02 to 2024).
• 🤔 Previously, my main research interests focused on deep learning for natural language generation (NLG), e.g., grammatical error correction. Now, I am trying to adjust my research direction to Large Language Models (LLM) and their applications.
• 📫 How to reach me: E-mail

View my homepage.

ctc-report's Issues

请问是否有开源计划

关于代码获取

作者您好，我看了您们团队在CTC2021比赛中所用方法的报告，我想学习一下，所以请问一下能否方便提供一下你们实现的整个纠错流程的源代码，仅供学习使用。本人邮箱：[email protected] ，如果方便提供源代码，麻烦联系我一下，谢谢。

语义模板的语病纠错

自动抽取语义模板具体是怎么做的？是用现代汉语实词搭配词典做的吗？

关于模型集成

感谢开源，请问，模型集成是在训练的时候将概率平均，还是模型训练好之后的推理阶段，再将概率平均

Wiki-Edits数据集

感谢公开解决方案，请问 Wiki-Edits数据怎么获取呢？

请问“基于最小编辑距离算法的标签抽取方法”具体是怎么写的？

看示例愣是没想明白怎么做的，直觉上对于改动点比较多的平行文本，抽出来的标签准确性不会太高吧？另，翘首以盼开源ing……

你好，看过了你们的文章觉得非常有趣，想请问近期会开源吗？另外文章中的字/词级别的音形混淆集能够提供，仅供参考学习吗？谢谢

拼写纠错

拼写纠错模型是不是类似于pycorrector开源项目中macbert4csc?另外，拼写纠错中的解码trick是在预测时使用吗？在训练时要使用吗？

GECToR训练

你好，打扰了，我在训练中文gector模型时，使用大量伪数据训练的效果，与直接在任务数据微调效果差不多。想请问下：1）你们在ctc比赛中的方案，只做伪数据预训（不做任务微调）可以达到什么效果呢？（或者有测试过ctc提供的baseline模型效果吗）2）你们训练gector的代码是基于ctc比赛提供的代码修改的吗？感谢。

关于解码策略的性能问题

”对句子中的每个位置，挑选出所对应的 10 个概率最大的候选字符；“
该步骤涉及topk求解问题，性能影响是否较大？