Makalah ini mengatasi tantangan himpunan karakter yang cair dalam korpus teks abad pertengahan dengan memperkenalkan metode untuk membalikkan penyederhanaan himpunan karakter dan singkatan. Penulis melatih RNN satu-ke-satu pada tingkat karakter dengan pembelajaran mandiri untuk membatalkan pemetaan ini, mengurangi Character Error Rate (CER) sebesar setengah hanya dengan menggunakan 20 baris teks.
- RNN satu-ke-satu memberikan peningkatan signifikan untuk koreksi pasca-HTR sambil mengabaikan sisipan dan penghapusan.
- Jaringan yang sama diadaptasi menjadi RNN berpita menggunakan kebenaran dasar penjajaran pada tingkat karakter untuk memperluas singkatan dalam transkripsi piagam abad pertengahan.
- Sebuah heuristik rumit mendefinisikan metrik untuk kesamaan semantik antara karakter dari himpunan apa pun, yang disebut lemisasi karakter.
- Sebuah pustaka Python disajikan untuk melakukan semua metode ini secara efisien.
Karya ini menyediakan alat dan metrik untuk menangani kebijakan digitalisasi yang heterogen dan praktik transkripsi yang bervariasi dalam dokumen bersejarah.