基于层次信息增强的中文语义错误识别模型

doi:10.11772/j.issn.1001-9081.2024111694

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (12): 3771-3778.DOI: 10.11772/j.issn.1001-9081.2024111694

基于层次信息增强的中文语义错误识别模型

张瑜琦¹^,²^,³^,⁴, 沙灜¹^,²^,³^,⁴

^1.华中农业大学信息学院，武汉 430070
^2.农业农村部智慧养殖技术重点实验室（华中农业大学），武汉 430070
^3.湖北省农业大数据工程技术研究中心（华中农业大学），武汉 430070
^4.农业智能技术教育部工程研究中心（华中农业大学），武汉 430070

收稿日期:2024-12-02 修回日期:2025-04-16 接受日期:2025-04-23 发布日期:2025-04-27 出版日期:2025-12-10
通讯作者: 沙灜
作者简介:张瑜琦（1998—），男，山西太原人，硕士研究生，主要研究方向：自然语言处理
沙灜（1973—），男，江苏扬州人，教授，博士，CCF高级会员，主要研究方向：自然语言处理、机器学习、人工智能。
基金资助:
国家自然科学基金资助项目(62272188)

Chinese semantic error recognition model based on hierarchical information enhancement

Yuqi ZHANG¹^,²^,³^,⁴, Ying SHA¹^,²^,³^,⁴

^1.College of Informatics，Huazhong Agricultural University，Wuhan Hubei 430070，China
^2.Key Laboratory of Smart Breeding Technology，Ministry of Agriculture and Rural Affairs （Huazhong Agricultural University），Wuhan Hubei 430070，China
^3.Hubei Engineering Technology Research Center of Agricultural Big Data （Huazhong Agricultural University），Wuhan Hubei 430070，China
^4.Engineering Research Center of Agricultural Intelligent Technology，Ministry of Education （Huazhong Agricultural University），Wuhan Hubei 430070，China

Received:2024-12-02 Revised:2025-04-16 Accepted:2025-04-23 Online:2025-04-27 Published:2025-12-10
Contact: Ying SHA
About author:ZHANG Yuqi， born in 1998， M. S. candidate. His research interests include natural language processing.
SHA Ying， born in 1973， Ph. D.， professor. His research interests include natural language processing， machine learning， artificial intelligence.
Supported by:
National Natural Science Foundation of China(62272188)

摘要/Abstract

摘要：

中文语义错误不同于简单的拼写错误和语法错误，它们通常更加隐蔽和复杂。中文语义错误识别（CSER）旨在判断中文句子是否包含语义错误，作为语义校对的前置任务，识别模型的性能对语义错误校对至关重要。针对CSER模型在融合句法信息时忽视句法结构与上下文结构之间差异的问题，提出一种层次信息增强的图卷积神经网络（HIE-GCN）模型，旨在将句法树中节点的层次信息嵌入上下文编码器，从而缩小句法结构与上下文结构之间的差异。首先，采用遍历算法提取句法树中节点的层次信息；其次，将层次信息嵌入BERT（Bidirectional Encoder Representations from Transformers）模型生成字符特征，而图卷积网络（GCN）将字符特征用于图上节点，并在图卷积计算后得到整个句子的特征向量；最后，利用全连接层进行单分类错误识别或多分类错误识别。在FCGEC（Fine-grained corpus for Chinese Grammatical Error Correction）和NaCGEC（Native Chinese Grammatical Error Correction）数据集上进行语义错误识别和校对的实验结果表明，在识别任务中，与基线模型相比，HIE-GCN模型在FCGEC数据集的单分类错误识别中将准确率至少提高0.10个百分点，F1值至少提高0.13个百分点；在多分类错误识别中将准确率至少提高1.05个百分点，F1值至少提高0.53个百分点；消融实验验证了层次信息嵌入的有效性；与GPT、Qwen等多个大语言模型（LLM）相比，所提模型的整体识别性能更高。在校对实验中，与序列到序列的直接纠错模型相比，采用识别-纠错二阶段流水线可将纠错精确率提高8.01个百分点，同时还发现，在LLM GLM4纠错过程中，向模型提示句子错误类型可将纠错的精确率提高4.62个百分点。

关键词: 自然语言处理, 图卷积网络, 中文语义错误识别, 大语言模型, 依存句法分析

Abstract:

The semantic errors in Chinese differ from simple spelling and grammatical errors， as they are more inconspicuous and complex. Chinese Semantic Error Recognition （CSER） aims to determine whether a Chinese sentence contains semantic errors. As a prerequisite task for semantic review， the performance of recognition model is crucial for semantic error correction. To address the issue of CSER models ignoring the differences between syntactic structure and contextual structure when integrating syntactic information， a Hierarchical Information Enhancement Graph Convolutional Network （HIE-GCN） model was proposed to embed the hierarchical information of nodes in the syntactic tree into the context encoder， thereby reducing the gap between syntactic structure and contextual structure. Firstly， a traversal algorithm was used to extract the hierarchical information of nodes in the syntactic tree. Secondly， the hierarchical information was embedded into the BERT （Bidirectional Encoder Representations from Transformers） model to generate character features， the Graph Convolutional Network （GCN） was adopted to utilize these character features for the nodes in the graph， and after graph convolution calculation， the feature vector of the entire sentence was obtained. Finally， a fully connected layer was used for one-class or multi-class semantic error recognition. Results of semantic error recognition and correction experiments conducted on the FCGEC （Fine-grained corpus for Chinese Grammatical Error Correction） and NaCGEC （Native Chinese Grammatical Error Correction） datasets show that， on the FCGEC dataset， in the recognition task， compared with the baseline model： HIE-GCN improves the accuracy by at least 0.10 percentage points and the F1 score by at least 0.13 percentage points in the one-class error recognition； in the multi-class error recognition， the accuracy is improved by at least 1.05 percentage points and the F1 score is improved by at least 0.53 percentage points. Ablation experimental results verify the effectiveness of hierarchical information embedding. Compared with Large Language Models （LLMs） such as GPT and Qwen， the proposed model’s overall performance in recognition is significantly higher. In the correction experiment， compared to the sequence-to-sequence direct error correction model， the recognition-correction two-stage pipeline improves the correction precision by 8.01 percentage points. It is also found that in the correction process of LLM GLM4， providing the model with hints on the sentence’s error type increases the correction precision by 4.62 percentage points.

Key words: Natural Language Processing (NLP), Graph Convolutional Network (GCN), Chinese Semantic Error Recognition (CSER), Large Language Model (LLM), dependency parsing

中图分类号:

TP391.1

张瑜琦, 沙灜. 基于层次信息增强的中文语义错误识别模型[J]. 计算机应用, 2025, 45(12): 3771-3778.

Yuqi ZHANG, Ying SHA. Chinese semantic error recognition model based on hierarchical information enhancement[J]. Journal of Computer Applications, 2025, 45(12): 3771-3778.

图/表 7

参考文献 42

[1]	李云汉，施运梅，李宁，等. 中文文本自动校对综述［J］. 中文信息学报， 2022， 36（9）： 1-18， 27.
	LI Y H， SHI Y M， LI N， et al. A survey of automatic error correction of Chinese text［J］. Journal of Chinese Information Processing， 2022， 36（9）： 1-18， 27.
[2]	王天极，陈柏霖，黄瑞章，等. 基于Electra和门控双线性神经网络的中文语法错误检测模型［J］. 中文信息学报， 2023， 37（8）： 169-178.
	WANG T J， CHEN B L， HUANG R Z， et al. Chinese grammatical error diagnosis model based on Electra and gated-bilinear neural network［J］. Journal of Chinese Information Processing， 2023， 37（8）： 169-178.
[3]	QIU Z， QU Y. A two-stage model for Chinese grammatical error correction［J］. IEEE Access， 2019， 7： 146772-146777.
[4]	WU H， ZHANG H， XUAN R， et al. Bi-DCSpell： a bi-directional detector-corrector interactive framework for Chinese spelling check［C］// Findings of the Association for Computational Linguistics： EMNLP 2024. Stroudsburg： ACL， 2024： 3974-3984.
[5]	HUANG H， YE J， ZHOU Q， et al. A frustratingly easy plug-and-play detection-and-reasoning module for Chinese spelling check［C］// Findings of the Association for Computational Linguistics： EMNLP 2023. Stroudsburg： ACL， 2023： 11514-11525.
[6]	LI Y， LIU X， WANG S， et al. TemplateGEC： improving grammatical error correction with detection template［C］// Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics （Volume 1： Long Papers）. Stroudsburg： ACL， 2023： 6878-6892.
[7]	LI W， WANG H. Detection-correction structure via general language model for grammatical error correction［C］// Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics （Volume 1： Long Papers）. Stroudsburg： ACL， 2024： 1748-1763.
[8]	HUANG W， DONG X， WANG M X， et al. CSEC： a Chinese semantic error correction dataset for written correction［C］// Proceedings of the 2023 International Conference on Neural Information Processing， LNCS 14451. Singapore： Springer， 2024： 383-398.
[9]	CHEN B， OUYANG Q， LUO Y， et al. S²GSL： incorporating segment to syntactic enhanced graph structure learning for aspect-based sentiment analysis［C］// Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics （Volume 1： Long Papers）. Stroudsburg： ACL， 2024： 13366-13379.
[10]	ZHANG M， LI Z， FU G， et al. Syntax-enhanced neural machine translation with syntax-aware word representations［C］// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies， Volume 1 （Long and Short Papers）. Stroudsburg： ACL， 2019： 1151-1161.
[11]	SUN B， WANG B， CHE W， et al. Improving pre-trained language models with syntactic dependency prediction task for Chinese semantic error recognition［EB/OL］. ［2024-11-20］..
[12]	WAN Z， WAN X. A syntax-guided grammatical error correction model with dependency tree correction［EB/OL］. ［2024-11-20］..
[13]	LI Z， PARNOW K， ZHAO H. Incorporating rich syntax information in grammatical error correction［J］. Information Processing and Management， 2022， 59（3）： No.102891.
[14]	DEVLIN J， CHANG M W， LEE K， et al. BERT： pre-training of deep bidirectional transformers for language understanding［C］// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies， Volume 1 （Long and Short Papers）. Stroudsburg： ACL， 2019： 4171-4186.
[15]	XU L， WU J， PENG J， et al. FCGEC： fine-grained corpus for Chinese grammatical error correction［C］// Findings of the Association for Computational Linguistics： EMNLP 2022. Stroudsburg： ACL， 2022： 1900-1918.
[16]	MA S， LI Y， SUN R， et al. Linguistic rules-based corpus generation for native Chinese grammatical error correction［C］// Findings of the Association for Computational Linguistics： EMNLP 2022. Stroudsburg： ACL， 2022： 576-589.
[17]	YEH J F， CHANG L T， LIU C Y， et al. Chinese spelling check based on N-gram and string matching algorithm［C］// Proceedings of the 4th Workshop on Natural Language Processing Techniques for Educational Applications. Stroudsburg： ACL， 2017： 35-38.
[18]	YUAN Z， BRISCOE T. Grammatical error correction using neural machine translation［C］// Proceedings of the 2016 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies. Stroudsburg： ACL， 2016： 380-386.
[19]	LIANG D， ZHENG C， GUO L， et al. BERT enhanced neural machine translation and sequence tagging model for Chinese grammatical error diagnosis［C］// Proceedings of the 6th Workshop on Natural Language Processing Techniques for Educational Applications. Stroudsburg： ACL， 2020： 57-66.
[20]	REN H， YANG L， XUN E. A sequence to sequence learning for Chinese grammatical error correction［C］// Proceedings of the 2018 CCF International Conference on Natural Language Processing and Chinese Computing， LNCS 11109. Cham： Springer， 2018： 401-410.
[21]	SUN B， WANG B， WANG Y， et al. CSED： a Chinese semantic error diagnosis corpus［EB/OL］. ［2024-11-20］..
[22]	LI Y， HUANG H， MA S， et al. On the （in）effectiveness of large language models for Chinese text correction［EB/OL］. ［2024-11-21］..
[23]	QU F， WU Y. Evaluating the capability of large-scale language models on Chinese grammatical error correction task［EB/OL］. ［2024-11-21］..
[24]	WANG Y， WANG B， LIU Y， et al. LM-Combiner： a contextual rewriting model for Chinese grammatical error correction［C］// Proceedings of the 2024 Joint International Conference on Computational Linguistics， Language Resources and Evaluation. ［S.l.］： ELRA and ICCL， 2024： 10675-10685.
[25]	YANG H， QUAN X. Alirector： alignment-enhanced Chinese grammatical error corrector［C］// Findings of the Association for Computational Linguistics： ACL 2024. Stroudsburg： ACL， 2024： 2531-2546.
[26]	PENG H， LI J， HE Y， et al. Large-scale hierarchical text classification with recursively regularized deep graph-CNN［C］// Proceedings of the 2018 World Wide Web Conference. Republic and Canton of Geneva： International World Wide Web Conferences Steering Committee， 2018： 1063-1072.
[27]	YAO L， MAO C， LUO Y. Graph convolutional networks for text classification［C］// Proceedings of the 33rd AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2019： 7370-7377.
[28]	LUO Y， BAO Z， LI C， et al. Chinese grammatical error diagnosis with graph convolution network and multi-task learning［C］// Proceedings of the 6th Workshop on Natural Language Processing Techniques for Educational Applications. Stroudsburg： ACL， 2020： 44-48.
[29]	ZHANG Y， ZHANG B， LI Z， et al. SynGEC： syntax-enhanced grammatical error correction with a tailored GEC-oriented parser［C］// Proceedings of the 2022 Conference on Empirical Methods in Natural Language Processing. Stroudsburg： ACL， 2022： 2518-2531.
[30]	WOLF T， DEBUT L， SANH V， et al. Transformers： state-of-the-art natural language processing［C］// Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing： System Demonstrations. Stroudsburg： ACL， 2020： 38-45.
[31]	CHE W， FENG Y， QIN L， et al. N-LTP： an open-source neural language technology platform for Chinese［C］// Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing： System Demonstrations. Stroudsburg： ACL， 2021： 42-49.
[32]	KINGMA D P， BA J L. Adam： a method for stochastic optimization［EB/OL］. ［2024-11-22］..
[33]	WANG W， BI B， YAN M， et al. StructBERT： incorporating language structures into pre-training for deep language understanding［EB/OL］. ［2024-11-22］..
[34]	ZHANG Y， LI Z， BAO Z， et al. MuCGEC： a multi-reference multi-source evaluation dataset for Chinese grammatical error correction［C］// Proceedings of the 2022 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies. Stroudsburg： ACL， 2022： 3118-3130.
[35]	BRYANT C， FELICE M， BRISCOE E. Automatic annotation and evaluation of error types for grammatical error correction［C］// Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics （Volume 1： Long Papers）. Stroudsburg： ACL， 2017： 793-805.
[36]	FELICE M， BRYANT C， BRISCOE T. Automatic extraction of learner errors in ESL sentences using linguistically enhanced alignments［C］// Proceedings of the 26th International Conference on Computational Linguistics： Technical Papers. ［S.l.］： the COLING 2016 Organizing Committee， 2016： 825-835.
[37]	CUI Y， CHE W， LIU T， et al. Revisiting pre-trained models for Chinese natural language processing［C］// Findings of the Association for Computational Linguistics： EMNLP 2020. Stroudsburg： ACL， 2020： 657-668.
[38]	MINAEE S， MIKOLOV T， NIKZAD N， et al. Large language models： a survey［EB/OL］. ［2024-11-22］..
[39]	Team GLM. ChatGLM： a family of large language models from GLM-130B to GLM-4 all tools［EB/OL］. ［2024-11-22］..
[40]	Team Qwen. Qwen technical report［R/OL］. ［2024-11-22］..
[41]	SUN Y， WANG S， FENG S， et al. ERNIE 3.0： large-scale knowledge enhanced pre-training for language understanding and generation［EB/OL］. ［2024-11-22］..
[42]	BROWN T B， MANN B， RYDER N， et al. Language models are few-shot learners advances［C］// Proceedings of the 34th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2020： 1877-1901.

数据集	模型	单分类错误识别				多分类错误识别
数据集	模型	Acc	P	R	F1	Acc	P	R	F1
FCGEC	BERT-base	78.00	78.12	77.86	77.90	65.90	58.28	59.88	58.96
	BERT-base+HIE-GCN	78.10	78.36	78.07	78.03	67.20	57.47	62.27	59.49
	RoBERTa	80.40	80.77	80.45	80.35	70.40	60.12	64.43	61.95
	RoBERTa+HIE-GCN	81.20	81.35	81.06	81.11	71.45	61.93	66.25	63.45
	StructBERT	81.15	81.28	81.07	81.08	69.45	57.90	65.27	60.93
	StructBERT+HIE-GCN	82.16	81.94	81.96	81.95	71.95	63.10	66.78	64.66
NaCGEC	BERT-base	72.95	72.95	73.93	72.67	65.80	55.22	53.43	53.57
	BERT-base+HIE-GCN	74.65	74.66	74.75	74.62	68.50	55.75	55.64	55.52
	RoBERTa	77.45	77.44	77.99	77.34	68.20	59.02	54.91	56.39
	RoBERTa+HIE-GCN	77.75	78.37	77.74	77.82	71.35	58.45	58.12	58.14
	StructBERT	77.35	77.35	77.53	77.31	68.30	57.56	55.76	56.14
	StructBERT+HIE-GCN	78.89	79.51	78.90	78.96	73.60	58.38	61.08	59.56

数据集	模型	单分类错误识别				多分类错误识别
数据集	模型	Acc	P	R	F1	Acc	P	R	F1
FCGEC	BERT-base	78.00	78.12	77.86	77.90	65.90	58.28	59.88	58.96
	BERT-base+HIE-GCN	78.10	78.36	78.07	78.03	67.20	57.47	62.27	59.49
	RoBERTa	80.40	80.77	80.45	80.35	70.40	60.12	64.43	61.95
	RoBERTa+HIE-GCN	81.20	81.35	81.06	81.11	71.45	61.93	66.25	63.45
	StructBERT	81.15	81.28	81.07	81.08	69.45	57.90	65.27	60.93
	StructBERT+HIE-GCN	82.16	81.94	81.96	81.95	71.95	63.10	66.78	64.66
NaCGEC	BERT-base	72.95	72.95	73.93	72.67	65.80	55.22	53.43	53.57
	BERT-base+HIE-GCN	74.65	74.66	74.75	74.62	68.50	55.75	55.64	55.52
	RoBERTa	77.45	77.44	77.99	77.34	68.20	59.02	54.91	56.39
	RoBERTa+HIE-GCN	77.75	78.37	77.74	77.82	71.35	58.45	58.12	58.14
	StructBERT	77.35	77.35	77.53	77.31	68.30	57.56	55.76	56.14
	StructBERT+HIE-GCN	78.89	79.51	78.90	78.96	73.60	58.38	61.08	59.56

模型	单分类错误识别				多分类错误识别
模型	Acc	P	R	F1	Acc	P	R	F1
StructBERT	81.15	81.28	81.07	81.08	69.45	57.90	65.27	60.93
StructBERT+ GCN	81.25	81.38	81.10	81.15	71.00	59.77	67.19	62.87
StructBERT+ HIE-GCN	82.16	81.94	81.96	81.95	71.95	63.10	66.78	64.66

模型	单分类错误识别				多分类错误识别
模型	Acc	P	R	F1	Acc	P	R	F1
StructBERT	81.15	81.28	81.07	81.08	69.45	57.90	65.27	60.93
StructBERT+ GCN	81.25	81.38	81.10	81.15	71.00	59.77	67.19	62.87
StructBERT+ HIE-GCN	82.16	81.94	81.96	81.95	71.95	63.10	66.78	64.66

队伍	单分类错误识别		多分类错误识别
队伍	Acc	F1	Acc	F1
hcjiang	78.73	78.69	—	—
grin	78.70	78.62	—	—
YuX	77.37	77.24	—	—
kausal	78.77	78.69	—	—
sxs	—	—	60.22	61.28
luamaker	76.67	76.12	54.47	58.56
zyq79434（HIE-GCN）	79.07	79.06	56.29	63.52

基于层次信息增强的中文语义错误识别模型

Chinese semantic error recognition model based on hierarchical information enhancement

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 42

相关文章 15

编辑推荐

Metrics

模型	P	R	F_0.5
模型仅纠正错误句子	46.31	35.92	43.78
模型对所有句子纠正	36.03	35.97	36.02
模型采用流水线进行纠正	44.04	34.48	41.73

模型	直接纠错			分类纠错
模型	P	R	F_0.5	P	R	F_0.5
gpt-3.5-turbo	12.28	11.70	12.16	13.94	12.17	13.54
GLM4	24.80	33.52	26.16	29.42	38.75	30.90
Qwen	16.95	31.44	18.67	21.43	35.17	23.25
ERNIE	23.82	39.66	25.89	26.01	41.07	28.07

[1]	张滨滨, 秦永彬, 黄瑞章, 陈艳平. 结合大语言模型与动态提示的裁判文书摘要方法[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2783-2789.
[2]	石超, 周昱昕, 扶倩, 唐万宇, 何凌, 李元媛. 基于骨架和3D热图的注意缺陷多动障碍患者动作识别算法[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 3036-3044.
[3]	冯涛, 刘晨. 自动化偏好对齐的双阶段提示调优方法[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2442-2447.
[4]	张伟, 牛家祥, 马继超, 沈琼霞. 深层语义特征增强的ReLM中文拼写纠错模型[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2484-2490.
[5]	李自亮, 朱广丽, 张玉雷, 刘佳佳, 焦熠璇, 张顺香. 集成句法与情感知识的方面级情感分析模型[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 1724-1731.
[6]	翟社平, 黄妍, 杨晴, 杨锐. 融合三元组和文本属性的多视图实体对齐[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 1793-1800.
[7]	颜文婧, 王瑞东, 左敏, 张青川. 基于风味嵌入异构图层次学习的食谱推荐模型[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 1869-1878.
[8]	张庆, 杨凡, 方宇涵. 基于多模态信息融合的中文拼写纠错算法[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1528-1534.
[9]	陈满, 杨小军, 杨慧敏. 基于图卷积网络和终点诱导的行人轨迹预测[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1480-1487.
[10]	王泉, 陆啟想, 施珮. 用于交通流量预测的多图扩散注意力网络[J]. 《计算机应用》唯一官方网站, 2025, 45(5): 1472-1479.
[11]	孙熠衡, 刘茂福. 基于知识提示微调的标书信息抽取方法[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1169-1176.
[12]	杨杰, 尼玛扎西, 仁青东主, 祁晋东, 才让东知. 基于预训练模型标记器重构的藏文分词系统[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1199-1204.
[13]	党伟超, 宋楚君, 高改梅, 刘春霞. 基于级联残差图卷积网络的多行为推荐[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1223-1231.
[14]	张学飞, 张丽萍, 闫盛, 侯敏, 赵宇博. 知识图谱与大语言模型协同的个性化学习推荐[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 773-784.
[15]	鲁超峰, 陶冶, 文连庆, 孟菲, 秦修功, 杜永杰, 田云龙. 融合大语言模型和预训练模型的少量语料说话人-情感语音转换方法[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 815-822.

模型	单分类错误识别				多分类错误识别
模型	Acc	P	R	F1	Acc	P	R	F1
StructBERT+HIE-GCN	82.16	81.94	81.96	81.95	71.95	63.10	66.78	64.66
GPT-3.5-turbo	51.75	53.29	53.10	51.45	20.60	23.25	20.61	18.52
GLM4	68.85	72.88	70.71	68.46	49.70	43.93	39.85	38.55
Qwen	59.85	69.10	62.92	57.47	48.80	35.89	24.45	25.35
ERNIE	72.05	73.75	73.21	72.01	56.70	40.86	38.34	38.47

模型	单分类错误识别				多分类错误识别
模型	Acc	P	R	F1	Acc	P	R	F1
StructBERT+HIE-GCN	82.16	81.94	81.96	81.95	71.95	63.10	66.78	64.66
GPT-3.5-turbo	51.75	53.29	53.10	51.45	20.60	23.25	20.61	18.52
GLM4	68.85	72.88	70.71	68.46	49.70	43.93	39.85	38.55
Qwen	59.85	69.10	62.92	57.47	48.80	35.89	24.45	25.35
ERNIE	72.05	73.75	73.21	72.01	56.70	40.86	38.34	38.47