تطبيع النص في مهام التعرف على الكلام

عند حل المهام المتعلقة بالتعرف على الكلام (تحويل الكلام إلى نص) وتوليد (تحويل النص إلى كلام) ، من المهم أن يتطابق النص مع ما قاله المتحدث - أي اللغة المنطوقة الحقيقية . هذا يعني أنه قبل أن يصبح الخطاب المكتوب نصنا ، يجب تطبيعه .

بمعنى آخر ، يجب أن يتم النص من خلال عدة خطوات:

• استبدال الرقم بالكلمات: 1984 -> ألف وتسعمائة واربعة وثمانين سنة ؛
• شرح الاختصارات: 2 . -> دقيقتان من الكراهية ؛
• النسخ اللاتيني: Orwell-> إلخ.

في هذه المقالة ، سأتحدث بإيجاز عن كيفية تطبيع التطبيع في مجموعة بيانات اللغة الروسية Open_STT ، وما هي الأدوات التي تم استخدامها وحول نهجنا للمهمة.

مثل الكرز على الكعكة ، قررنا وضع جهاز التطبيع الخاص بنا استنادًا إلى seq2seq في المجال العام: رابط إلى github . إنه بسيط قدر الإمكان للاستخدام ويطلق عليه طريقة واحدة:

norm = Normalizer()
result = norm.norm_text(' 9  11   whiskas')

>>> '      '

المزيد عن المهمة

, , ? , . , .

, , :

• 2 — (), . 2 — ;
• 2 — , 2 — ;
• 2 — , 2 — ;
• = 2/5 — , . 2/5 — — .

: - ( — ) ( — ?). , , . .

. - . , , ~20% , ~80% .

Open_STT : — . STT , - 2020 , .

. 2020 . "" — .

Sequence to Sequence

- , sequence-to-sequence (seq2seq) . , seq2seq , "" , :

• — ;
• — ;
• , — ;

attention "5 ". , "" "5", "".

seq2seq PyTorch . — . + + + , — + .

— , . ( , ) .

, :

• — Russian Text Normalization;
• -, .;
• , — , , ..

TorchScript

, , Torchscript.

TorchScript — PyTorch, Python C++.

, PyTorch :

1. , TorchScript , ;
2. torch.jit.script ( torch.jit.trace), .

, , , , . , : , .. .

, . , .

• norm.norm_string(" — — 27 38 %.")

' — — .'

• norm.norm_string(" 22 1939 ")

' '

• norm.norm_string(" «The Crying Game»")

' « »'

• norm.norm_string(" XVIII ")

' '

• norm.norm_string(" 2012 6,6 ")