Aug, 2022

BSpell：基于 CNN 和 BERT 的孟加拉语拼写检查器

PDF
TL;DR本文提出了一种专用于孟加拉语单词拼写检查的 BERT 模型 BSpell，并采用了专用 CNN 子模型 SemanticNet 和混合预训练方案，使其在存在拼写错误的情况下实现了高度变形的孟加拉语词汇的 91.5％的精度，在两个孟加拉语和一个印地语的拼写纠正数据集上的详细比较表明了 BSpell 的优越性。
bengali typingbert modelspell correctionsemanticnetpretraining scheme
发现论文，激发创造
  • DPCSpell：基于 Transformer 的孟加拉语和资源稀缺的印度语拼写错误检查器、净化器和修正器框架

    本文介绍如何利用去噪变形器来解决自然语言处理中的拼写错误纠正问题，还提出了一种从头创建大规模语料库的方法，并在孟加拉语的拼写错误纠正中获得显著性能优于现有方法的结果。

    Nov, 2022

  • BdSpell: 基于 Yolo 的孟加拉手语即时拼写系统

    提出了一种基于 YOLOv5 架构的新型实时手指拼写系统，通过使用指定规则和数字类作为触发器，高效生成隐藏和复合字符，大大提高了用户便利性，同时取得了令人瞩目的字符拼写准确率和模型平均精度，为增强 BdSL 解释提供了实质性的进展，提升了 Bangla 手语社区的沟通方式和语言平等性。

    Sep, 2023

  • 使用软掩码 BERT 进行拼写错误纠正

    本 paper 提出了一种基于新颖的神经网络结构和所谓的软遮罩技术的基于 BERT 的拼写错误检测与纠正方法，可以显著提高其准确性，适用于其他语言纠错问题。

    May, 2020

  • SpellMapper：基于 n-gram 映射的 ASR 自定义非自回归神经拼写检查器

    使用新颖的基于拼写错误 n-gram 映射的候选检索算法和 BERT 架构的非自回归神经模型，相较于基线 ASR 系统，在口语化维基百科上的实验显示，字错误率提高了 21.4％。

    Jun, 2023

  • NeuSpell: 一个神经拼写纠正工具包

    介绍 NeuSpell, 一个用于英语拼写纠正的开源工具包，其中包含十个不同的模型，并对来自多个来源的自然发生的拼写错误进行基准测试。通过训练使用上下文中的拼写错误，以及使用上下文表示，我们的工具包可以提高纠正率 9％(绝对值)，在许多潜在应用中，我们证明了拼写检查器的实用性。

    Oct, 2020

  • 利用 BERT 和 Transformer 进行越南语拼写纠正

    本研究结合 Transformer 架构和 BERT 提出了处理越南语拼写纠正的模型，并通过实验结果表明，该模型在此任务上优于其他方法和 Google 文档拼写检查工具，获得了 86.24 的 BLEU 分数。

    May, 2024

  • AraSpell：一种用于阿拉伯语拼写纠正的深度学习方法

    使用不同的 seq2seq 模型架构（如递归神经网络（RNN）和 Transformer）和人工数据生成进行错误注入，本研究介绍了一种用于阿拉伯语拼写纠正的框架 AraSpell，并通过彻底的实验研究提供了所提方法的有效性的经验论据，其与标记数据相比，词错误率（WER）和字符错误率（CER）分别达到了 4.8% 和 1.11%，与标记数据相比，CER 分别为 2.9%，WER 为 10.65%。这些结果都是在一个包含 100K 个句子的测试集上获得的。

    May, 2024

  • 基于上下文的独立神经拼写校正

    本文提出了一种利用拼写信息和全局上下文信息共同解决自然语言处理中拼写纠错问题的简单、有效方法，即通过改进预训练语言模型的微调，将拼写纠错看作一个序列标注任务，并在此基础上显著提升之前最先进结果 12.8% 的 F0.5 评分。

    Nov, 2020

  • Bi-DCSpell: 一个双向检测 - 纠错交互框架用于中文拼写检查

    中国拼写检查（CSC）旨在检测和纠正中文句子中可能存在的拼写错误字符。本文提出了一种双向检测 - 纠正框架（Bi-DCSpell），通过引入交互学习模块促进检测和纠正之间的双向特征交互，以改善它们的表示学习，从而在广泛使用的基准数据集上展示出强大的纠正能力。

    Jun, 2024

  • 面向用户查询的上下文多语言拼写检查器

    该论文介绍了一种多语种的拼写检查器，它可以根据特定产品的需求适应其词汇，并在领域特定的数据集上性能优异，可以用于搜索和为各种应用程序提供自动完成功能。

    May, 2023