本文系统梳理三种基于pipeline的经典中文文本纠错系统：TM+LMM、LMPS 和 ACE，帮助读者深入理解各自的运行机制、处理流程及适用场景。
1 简介
传统的中文文本纠错系统大多采用pipeline架构，将分词、错误检测、错误纠正等模块依次串联，并常在流程中嵌入规则模块，形成类似生产流水线的执行链路。这种设计直观易懂，便于人工介入排查问题和针对性优化。然而，一旦前置环节出现错误，后续模块难以弥补；任意一个模块的偏差都会拖累整体纠错效果。同时，各个子模块独立训练与调优，局部优化未必能带来系统全局性能的提升。
2 TM+LMM
这是早期较有代表性的中文文本纠错系统，该系统融合了规则模板与统计模型，显著降低了同期纠错系统误报率偏高的问题。TM+LMM中的TM指规则模板（template module），LMM指统计模型（translate module）。
构建该中文纠错系统需提前准备以下资源：
- a) 混淆集，为疑似错别字提供候选字符。该系统为5401个中文字符分别建立了混淆集，每个汉字对应1~20个候选字符（即可能被误写为该字的其他字符），涵盖读音相似和字形相似两类。混淆集中的候选按谷歌搜索频次排序，便于后续纠正模块按优先级尝试。
- b) n-gram语言模型，用于评估字符序列的正确性。n-gram语言模型通过最大似然估计从训练语料中学习得到——语料中某字符组合共现频率越高，对应n-gram得分越大。这些得分可衡量句子的合理程度：若句子所有n-gram得分均较高，则句子大概率正确；反之，若n-gram得分普遍偏低，则句子很可能存在错别字。句子总分与各n-gram得分正相关，与句子长度负相关。该系统使用1-gram和2-gram信息。
图1：2gram得分计算
- c) 统计翻译模型，可视为n-gram语言模型的增强版。它能计算将字符A替换为字符B的条件概率。
TM+LMM的处理流程如下：
图2: TM+LMM框架
- a) 分词模块，将句子切分为以词语为基本单位的序列。其中被切分为单字的片段会被格外关注——系统认为这些位置更可能出现错误。原因在于：错误字符通常导致语法或语义不连贯，分词时易被孤立为单字。
- b) 规则模块，检索第一步中疑似错误位置的混淆集，依次用混淆集中的候选字符替换当前字符。若替换结果匹配系统预设的规则模板，则执行替换；否则保持原样。这就是规则模板的作用：命中规则则替换，反之不操作。
- c) 翻译模块，同样获取第一步疑似错误位置的混淆集，用候选字符替换后，通过2-gram语言模型和翻译模型计算组合得分，两者相乘得到困惑度分数（公式如下图，p(S)为经平滑后的2-gram语言模型与翻译模型乘积得分，N为句子长度），最终选择困惑度最小的候选字符作为替换结果。换言之，正确字符对应的语言模型和翻译模型乘积得分更高，困惑度更低。
图3: 困惑度计算公式
- d) 输出模块，汇总规则模块与翻译模块的纠错结果，可选择取交集或并集作为最终输出。