Nlp 拼写纠正模型的一些评估是什么？

我一直在研究拼写纠正模型，并试图找到一些评估指标。如果你认为假阴性试图修复一个已经正确的单词和错误的正误，那么你就可以计算精度、回忆和准确度。但是，这些指标并没有说明更正模型的质量（无论它是否成功地将错误的单词更正为用户想要键入的单词），只评估拼写检查功能，而不是更正功能

在许多语言中，最困难的部分是在许多候选语言中选择正确的替代者。例如，

lck

应该是

lock

，

lick

，

lock

，

ick

，还是

luck

？（当然，断章取义，你说不出来！）

因此，您要寻找的指标是准确更正的数量。您没有尝试修复的错误，以及您错误地替换的正确单词将被您发现但未准确更正的错误淹没，尽管您可能仍希望分别统计这些情况

---

如果您的修正候选排序算法是独立的，您可以通过单独评估来显著地调整流程。

这样我就可以测量成功修正的错误百分比？我会将什么指定为假阴性和假阳性来衡量纠正的质量？假阴性和假阳性在这里并没有多大意义；它们是分类度量，而不是校正度量。快速的谷歌搜索出现了，但我不能马上判断这是否有用。（我注意到他们的摘要中有一个标点符号错误，tee-hee。）如果你想将其压缩到FP/FN模型中，可能会将系统没有试图纠正的错误视为假阴性，而将没有产生正确结果的任何纠正视为假阳性。因此，真正的否定词是拼写正确的单词，没有改变；真正的肯定词是成功的更正。（这颠倒了“积极”和“消极”的含义，但这对我来说更有意义。）我想我可以把它放在FP/FN模型中，但我觉得这样做会产生不太能代表校正器的结果。也许要对拼写错误的单词进行整体准确度和准确度的校正？从长远来看，一个数字或一对数字可能没有用处，特别是如果它们不是标准的衡量标准。分为错误检测的准确性和校正候选生成的准确性可能是未来的方向。