Эта статья решает проблему изменчивости наборов символов в корпусах средневековых текстов, предлагая методы обратного преобразования упрощения набора символов и сокращений. Авторы обучают однонаправленные RNN на уровне символов с самообучением для отмены этих отображений, восстанавливая половину показателя Ошибки Символов (CER) всего по 20 строкам текста.
- Однонаправленные RNN обеспечивают значительные улучшения для посткоррекции HTR, игнорируя вставки и удаления.
- Те же сети адаптируются в ленточные RNN с использованием истинных данных выравнивания на уровне символов для расширения сокращений в транскрипциях средневековых хартий.
- Сложная эвристика определяет метрику семантического сходства между символами произвольных наборов, названную лемматизацией букв.
- Представлена библиотека Python для эффективного выполнения всех этих методов.
Работа предоставляет инструменты и метрики для обработки гетерогенных политик оцифровки и различных практик транскрипции в исторических документах.