如何训练自身数据模型

[lmw0320]

我需要训练一个中文地址数据纠错模型，有如下几点疑问：

1. 对于中文地址的纠错，其用jieba分词错误率可能较高，是否可以直接使用字符级分割方法？
2. 如果使用字符级分割方法，数据集的格式是怎样的？（要和说明中一致，先分词，分词之间用空格隔离。错误数据和正确数据之间使用tab间隔？），要如何准备？ 一般用的标注工具是什么？
3. readme中提到的“conv_seq2seq、seq2seq_attention、 transformer、bert、electra，各模型方法内置于pycorrector文件夹下，有README.md详细指导，各模型可独立运行，相互之间无依赖。“---我只看到部分子文件中有train.py，比如bert文件夹下就没有train,.py文件，如何训练？---对于bert模型，我之前只是简单用来训练了NER模型，被告知bert适用于字符级别的训练，不知道对于这种纠错模型，是否也是字符级训练？
4. 我用2.8G的模型去测试了下中文地址，发现效果不是很理想。毕竟对于特殊的地址名词，的确通用模型可能很难进行纠错处理。因此，我才要考虑去训练专属的模型。 恳请指点。。

[shibing624]

1.可以字分割； 2.跟说明一致，没标注工具，手动标注。 3.bert是finetune bert模型本身，无需针对纠错的训练。字符级。 4.用kenlm训练领域语言模型。