Grammatical vs Spelling Error Correction: An Investigation into the Responsiveness of Transformer-based Language Models using BART and MarianMT

文本仍然是信息表示的一种相关形式。文本文档可以在数字原生平台上创建，也可以通过转换其他媒体文件（如图像和语音）来创建。虽然数字原生文本通常是通过物理或虚拟键盘获得的，但OCR和语音识别等技术被用于将图像和语音信号转换为文本内容。所有这些文本生成机制也会引入错误到捕获的文本中。 该项目旨在分析文本文档中出现的不同类型的错误。该工作使用两种先进的基于深度神经网络的语言模型，即BART和MarianMT，来矫正文本中存在的异常。通过可用的数据集对这些模型进行迁移学习以微调其纠错能力。进行比较研究以调查这些模型在处理每个定义的错误类别时的有效性。观察到虽然两个模型都可以将错误的句子减少20%以上，但BART可以更好地处理拼写错误（24.6%）而不是语法错误（8.8%）。

本论文旨在分析文本文档中出现的各种错误，并使用BART和MarianMT两种深度神经网络语言模型来纠正文本中的异常。作者试图解决文本生成和校正的问题。

本论文的关键思路是利用深度神经网络语言模型进行文本校正。作者使用了BART和MarianMT两种模型，并通过迁移学习来提高它们的校正能力。比较研究表明，BART在处理拼写错误方面的效果更好。

本论文使用了两种深度神经网络语言模型来进行文本校正，并比较了它们在处理不同错误类别时的效果。实验结果表明，两种模型都可以将错误的句子减少20％以上。作者还提供了数据集和开源代码，这些工作值得进一步研究。

在这个领域中，最近的相关研究包括使用深度学习模型进行文本生成和校正。例如，"BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding"和"Neural Machine Translation by Jointly Learning to Align and Translate"。