《Spelling Error Correction with Soft-Masked BERT》閱讀筆記
會議：ACL2020 機構：字節跳動、復旦大學 摘要：拼寫錯誤檢測很重要但是具有挑戰性，因爲其需要人類水平的語言理解能力。目前一個SOTA是用BERT在句子的每個位置的候選列表中選擇一個字符，以進行修改（或不修改）。然而，這個方法的準確性可能不是最優的，因爲BERT沒有足夠的能力去識別某個位置的字符是不是錯誤的，因爲他使用mask language model的訓練方式。我們提出了一個新的神經網絡
相關文章
- 1. BERT論文閱讀筆記
- 2. K-BERT: Enabling Language Representation with Knowledge Graph閱讀筆記
- 3. ACL2020論文閱讀筆記-FastBERT: a Self-distilling BERT with Adaptive Inference Time
- 4. 【論文閱讀】Neural Language Correction with Character-Based Attention
- 5. Bert源碼閱讀
- 6. 論文閱讀筆記------Image Correction via Deep Reciprocating HDR Transformation（DRHT）
- 7. Bert論文閱讀
- 8. 【閱讀筆記】BERT 介紹和代碼解讀
- 9. Data Mining with Big Data--閱讀筆記
- 10. Generating Adversarial Examples with Adversarial Networks閱讀筆記
- 更多相關文章...
- • RSS 閱讀器 - RSS 教程
- • PHP 實例 - AJAX RSS 閱讀器 - PHP教程
- • Tomcat學習筆記（史上最全tomcat學習筆記）
- • RxJava操作符（五）Error Handling
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
最新文章
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. BERT論文閱讀筆記
- 2. K-BERT: Enabling Language Representation with Knowledge Graph閱讀筆記
- 3. ACL2020論文閱讀筆記-FastBERT: a Self-distilling BERT with Adaptive Inference Time
- 4. 【論文閱讀】Neural Language Correction with Character-Based Attention
- 5. Bert源碼閱讀
- 6. 論文閱讀筆記------Image Correction via Deep Reciprocating HDR Transformation（DRHT）
- 7. Bert論文閱讀
- 8. 【閱讀筆記】BERT 介紹和代碼解讀
- 9. Data Mining with Big Data--閱讀筆記
- 10. Generating Adversarial Examples with Adversarial Networks閱讀筆記