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

本研究重点讨论了大型文本语料库在自然语言处理任务中的重要性以及在多语言语境下收集这些数据集所需的核心技术 —— 自动语言识别，该文介绍了使用基于词表的精度可调过滤器和基于 Transformer 的半监督语言识别模型来提高数据集质量的方法，为接下来创建 1,000 种语言的网络文本语料库铺平了道路。

Oct, 2020

提出了一种可以快速且精确地标识码混合多语言文本中每个单词的语言的前馈网络的方法，并在 100 种语言和 100 种语言对中展示了其优越性能。

Oct, 2018

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

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

该研究提出了一种基于双向循环神经网络的文本语言识别方法，能够准确识别文本中涉及的多个语种，并能在不同场景下保持高精度，适用于即开即用的场景。该方法在覆盖 131 种语言的六个数据集上表现稳定并达到了较好的效果。

Jan, 2017

本研究实现了 Apple 公司在博客中简短介绍的语言识别架构，发现 bi-LSTM 模型在识别语言方面的表现更优，但在相关语言之间容易混淆。该技术可用于自动拼写检查和对短文本信息进行语种识别。

Feb, 2021

本文介绍了一种针对 Wolof 语言打造的拼写检查和纠正工具，其利用了 trie 数据结构、动态规划以及加权 Levenshtein 距离的组合，为错误拼写的单词生成建议。研究者通过半自动化方法创建了针对 Wolof 语言的词库和错拼词语料库，展示了该拼写检查工具 98.31％的预测准确率和 93.33％的建议准确率。该工具的性能表现为 Wolof 语言的文本工具和资源的发展作出了贡献，为自动拼写检查和纠正领域的未来研究提供了坚实的基础。

May, 2023

利用微博和深度学习技术，研发了一种可靠的语言识别引擎，在 Discriminating between Similar Languages (DSL) Shared Task 2015 数据集上达到了 95.12% 的准确率。

Jan, 2017

本文介绍了一个针对手语视频的自然语言处理方案，包括识别、翻译、搜索等任务，该方案对于使人工智能技术可被聋人使用至关重要。作者提出了一种端到端的模型 FSS-Net 来解决手语视频中的手指拼写关键词或短语的搜索问题，并经过实验证明，该模型对于搜索和检索模型来说是一个十分关键的组成部分，能够明显优于其他基准模型的性能。

Mar, 2022