Este artigo aborda o desafio dos conjuntos de caracteres fluidos em corpora de textos medievais, introduzindo métodos para reverter a simplificação do conjunto de caracteres e abreviações. Os autores treinam RNNs um-a-um em nível de caracteres com auto-supervisão para desfazer esses mapeamentos, recuperando metade da Taxa de Erro de Caracteres (CER) usando apenas 20 linhas de texto.
- RNNs um-a-um fornecem melhorias significativas para a pós-correção de HTR enquanto ignoram inserções e exclusões.
- As mesmas redes são adaptadas em RNNs em banda usando a verdade fundamental de alinhamento em nível de caracteres para expandir abreviações em transcrições de cartas medievais.
- Uma heurística elaborada define uma métrica para similaridade semântica entre caracteres de conjuntos arbitrários, denominada lematização de letras.
- É apresentada uma biblioteca Python para realizar eficientemente todos esses métodos.
O trabalho fornece ferramentas e métricas para lidar com políticas de digitalização heterogêneas e práticas de transcrição variáveis em documentos históricos.