Este artículo aborda el desafío de los conjuntos de caracteres fluidos en corpus de textos medievales introduciendo métodos para revertir la simplificación del conjunto de caracteres y las abreviaturas. Los autores entrenan RNN uno a uno a nivel de caracteres con auto-supervisión para deshacer estos mapeos, recuperando la mitad de la Tasa de Error de Caracteres (CER) usando solo 20 líneas de texto.
- Las RNN uno a uno proporcionan mejoras significativas para la post-corrección de HTR mientras ignoran inserciones y eliminaciones.
- Las mismas redes se adaptan en RNN en banda utilizando la verdad fundamental de alineación a nivel de caracteres para expandir abreviaturas en transcripciones de cartas medievales.
- Una heurística elaborada define una métrica para la similitud semántica entre caracteres de conjuntos arbitrarios, denominada lematización de letras.
- Se presenta una biblioteca Python para realizar eficientemente todos estos métodos.
El trabajo proporciona herramientas y métricas para manejar políticas de digitalización heterogéneas y prácticas de transcripción variables en documentos históricos.