1.一种基于多维动态候选集的文本纠错方法，其特征在于，包括如下步骤：步骤1、从汉字识别文本纠错的SIGHAN系列数据集中获取输入文本S；

步骤2、对于输入文本S，通过文本编码器编码将token嵌入、segment嵌入、position嵌入、词性嵌入通过向量加法进行合并，得到输入文本的最终嵌入表示，以及相应的嵌入序列E＝(e1，e2，e3...，en)表示；

步骤3、将得到的嵌入序列E，输入到由若干Transformer模块组成的检错网络，并利用Transformer模块的注意力机制来检错可能发生错的字符，输出错误序列L以及错误序列L的错误概率P；

步骤4、将错误序列L和嵌入序列E输入到语言模型中，使用软遮盖编码将两者组合成SOFT′编码；

步骤5、将SOFT′编码作为输入，利用预训练的BERT语言纠错模块和特征融合模块组成的纠错网络对错误字符进行纠正，具体的：通过预训练的BERT语言纠错模块中的多头注意力机制执行多个注意力函数，从而捕获输入序列中不同位置的信息，输出纠错结果；然后通过预训练的BERT语言纠错模块中的前馈神经网络对输出纠错结果进行非线性变换，以增强模型的表达能力，其计算公式如下：FFN(X)＝max(0，XW1+b1)W2+b2

式中，X为输入的文本序列，W1，W2为权重矩阵，b1和b2为偏置值；

最后，对于每个位置的纠错概率，采用softmax函数进行归一化，得到相应的字符概率；

所述每个位置的纠错概率计算方法如下：

Pc(yi＝j|X)＝softmax(Wh′i+b2)[j]式中，Pc(yi＝j|X)表示在给定输入序列X的条件下，第i个字符被纠正为候选字符列表中第j个字符的概率，h′i是编码模块输出的隐藏状态，W和b2是模型参数；

将纠错结果和错误序列，以及字符、字根和关键笔形特征一同输入特征融合模块中，通过字符相似度算法匹配字形相似候选字混淆集和领域字符混淆集，得到相似度匹配结果，然后将相似度匹配结果进行相似度概率求和，再进行归一化处理，然后，计算字符离散度，如果离散度算法不再改变，输出；反之，将归一化处理后的结果输入到预训练的BERT语言模型中多次迭代，直到字符离散度算法判定不再改变，最终输出正确字符。

2.根据权利要求1所述的一种基于多维动态候选集的文本纠错方法，其特征在于，所述文本编码器采用BERT预训练模型。

3.根据权利要求1所述的一种基于多维动态候选集的文本纠错方法，其特征在于，所述错误序列L中第i个字符的错误概率以pi表示，表达式如下：式中，Pd(gi＝1|X)表示在给定输入X的条件下，检测网络输出第i个字符为错误标签的概率，这里σ代表Sigmoid函数，用于将线性组合的输出映射到[0,1]区间，从而表示概率，表示字符序列中第i个字符的隐藏状态，Wd代表训练过程中不断调整的权重，bd为模型在线性变化过程中使用的偏置值。

4.根据权利要求3所述的一种基于多维动态候选集的文本纠错方法，其特征在于，所述步骤4中，软遮盖编码的方法，将字符的第i个软编码softi定义为：softi＝pi·emask+(1‑pi)·ei

进而得到软掩码标记SOFT′＝(soft1，soft2，soft3，...，softn)，式中，emask为掩码嵌入，用于在字符被认为是错误时提供替代信息；ei为输入嵌入，代表原始字符的编码，softi随着错误率的升高接近emask，反之，当错误率较低时，接近ei。

5.根据权利要求1所述的一种基于多维动态候选集的文本纠错方法，其特征在于，所述字符相似度算法计算过程如下：式中，Sim(M1,M2)表示M1和M2的相似度，n表示总特征数，包括笔画数、汉字结构数、偏旁部首和关键笔形，fi(M1,M2)表示第i个特征空间中字符相似度，Wi表示第i个特征的权重。

6.根据权利要求5所述的一种基于多维动态候选集的文本纠错方法，其特征在于，所述字符离散度算法具体如下：Fi＝sqrt(Ti÷4)

式中，Ti是字符离散检测的方差，Fi表示在第i个位置字符的离散度，μi表示第i个位置字符在多个维度的概率平均值。

7.根据权利要求1‑6任意一项所述的一种基于多维动态候选集的文本纠错方法，其特征在于，使用交叉熵对错误检测损失和字符纠错损失进行优化，使得网络得到收敛，训练过程中损失表达式如下：其中，Ld是检测网络训练的目标损失，Lc是文本纠错网络的训练损失；

使用线性组合的方式计算总体的损失函数：

Loss＝λLd+(1‑λ)Lc

其中，λ∈[0,1]为系数。