《Spelling Error Correction with Soft-Masked BERT》阅读笔记
会议：ACL2020 机构：字节跳动、复旦大学 摘要：拼写错误检测很重要但是具有挑战性，因为其需要人类水平的语言理解能力。目前一个SOTA是用BERT在句子的每个位置的候选列表中选择一个字符，以进行修改（或不修改）。然而，这个方法的准确性可能不是最优的，因为BERT没有足够的能力去识别某个位置的字符是不是错误的，因为他使用mask language model的训练方式。我们提出了一个新的神经网络
相关文章
- 1. BERT论文阅读笔记
- 2. K-BERT: Enabling Language Representation with Knowledge Graph阅读笔记
- 3. ACL2020论文阅读笔记-FastBERT: a Self-distilling BERT with Adaptive Inference Time
- 4. 【论文阅读】Neural Language Correction with Character-Based Attention
- 5. Bert源码阅读
- 6. 论文阅读笔记------Image Correction via Deep Reciprocating HDR Transformation（DRHT）
- 7. Bert论文阅读
- 8. 【阅读笔记】BERT 介绍和代码解读
- 9. Data Mining with Big Data--阅读笔记
- 10. Generating Adversarial Examples with Adversarial Networks阅读笔记
- 更多相关文章...
- • RSS 阅读器 - RSS 教程
- • PHP 实例 - AJAX RSS 阅读器 - PHP教程
- • Tomcat学习笔记（史上最全tomcat学习笔记）
- • RxJava操作符（五）Error Handling
相关标签/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。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. BERT论文阅读笔记
- 2. K-BERT: Enabling Language Representation with Knowledge Graph阅读笔记
- 3. ACL2020论文阅读笔记-FastBERT: a Self-distilling BERT with Adaptive Inference Time
- 4. 【论文阅读】Neural Language Correction with Character-Based Attention
- 5. Bert源码阅读
- 6. 论文阅读笔记------Image Correction via Deep Reciprocating HDR Transformation（DRHT）
- 7. Bert论文阅读
- 8. 【阅读笔记】BERT 介绍和代码解读
- 9. Data Mining with Big Data--阅读笔记
- 10. Generating Adversarial Examples with Adversarial Networks阅读笔记