WikiEdge:ArXiv-2408.17428v1/background：修订间差异

来自WikiEdge
跳转到导航 跳转到搜索
可视化wikitext
David（留言 | 贡献）
机器人
1,726次编辑
Saved page by David
 
David（留言 | 贡献）
机器人
1,726次编辑
Saved page by David
 
（未显示同一用户的1个中间版本）
第1行： 第1行：
== 研究背景 ==
<!-- 不要移除下面一行，如果有编辑错误，请直接修改该行以后的内容 -->
<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2408.17428v1/background|action=edit}} 编辑]</div>
<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2408.17428v1/background|action=edit}} 编辑]</div>
这篇文献的背景主要集中在以下几个方面：
这篇文献的背景主要集中在以下几个方面：
1. '''光学字符识别（Optical Character Recognition, OCR）技术在历史印刷媒体档案数字化中的重要性'''：
# '''[[光学字符识别]]（[[OCR]]）在历史印刷媒体档案数字化中的重要性'''：
* 历史印刷媒体档案的数字化对于提高当代记录的可访问性至关重要，特别是对于报纸和期刊等能够提供历史事件当时观点和看法的媒介。
#* 历史印刷媒体档案的数字化对于提高当代记录的可访问性至关重要。这些档案，如期刊和新闻媒体，为研究历史事件提供了原始视角和见解。
* 然而，OCR技术在转换物理记录为数字文本的过程中容易出错，尤其是在报纸和期刊这类布局复杂的文档中。
#* 然而，[[OCR]]技术在将实体记录转换为数字文本的过程中容易出错，尤其是在处理报纸和期刊这类布局复杂的文档时。
2. '''OCR后处理和质量评估的挑战'''：
# '''[[OCR]]错误对后续[[自然语言处理]]（[[NLP]]）任务的影响'''：
* OCR文档的错误会负面影响使用这些档案的研究质量，因此，OCR后处理和评估OCR质量成为活跃的研究领域。
#* [[OCR]]过程中的错误会负面影响使用这些档案的研究质量，尤其是在进行[[命名实体识别]]（[[NER]]）、[[情感分析]]、[[文本分类]]或[[问答]]等下游[[NLP]]任务时。
* 尽管已有多种流行的OCR后处理方法，如众包校正和在线安全测试，但机器学习方法，特别是基于变换器架构的语言模型（LMs），因其在其他领域的成功和计算能力的提升，正变得越来越受欢迎。
#* 因此，提高[[OCR]]质量，尤其是在历史文档和报纸档案的[[OCR]]处理中，是当前研究中的一个活跃领域。
3. '''变换器架构和掩码语言建模（Masked Language Modelling, MLM）的进步'''：
# '''基于[[变换器]]的[[语言模型]]（[[LMs]]）在[[OCR]]后处理中的潜力'''：
* 变换器架构自2017年引入以来，在自然语言处理（Natural Language Processing, NLP）领域迅速发展，产生了能够执行任务的LMs，达到了人类甚至超人的水平。
#* 近年来，基于[[变换器]]架构的[[语言模型]]在[[自然语言处理]]领域取得了显著进展，这些模型能够执行复杂的语言任务，并且在某些情况下达到或超越人类水平。
* MLM作为对训练双向BERT模型挑战的响应，通过随机遮蔽一部分标记并让算法预测正确的标记，提高了LMs的表示能力，使得BERT模型能够通过少量数据的微调，在多个基准测试中达到最先进的性能。
#* 这些模型的“[[注意力]]”机制和[[掩码语言建模]]（[[MLM]]）训练方法使它们能够更好地理解和纠正文本中的错误，为[[OCR]]后处理提供了新的可能性。
4. '''利用社会文化背景信息进行OCR校正的潜力'''：
综上所述，这篇文献的背景强调了在历史文档数字化过程中提高[[OCR]]准确性的需求，以及利用先进的[[语言模型]]来改进[[OCR]]输出和增强后续[[NLP]]任务的潜力。
* 提供社会文化背景信息作为校正过程的一部分，可能会提高OCR校正的性能，这是本研究希望探索的新领域。
综上所述，这篇文献的背景强调了在OCR技术领域中对提高数字化档案质量的需求，以及利用预训练语言模型和文本的社会文化背景信息进行OCR后处理的潜力。

2024年9月3日 (二) 10:33的最新版本

编辑

这篇文献的背景主要集中在以下几个方面：

  1. 光学字符识别（OCR）在历史印刷媒体档案数字化中的重要性：
    • 历史印刷媒体档案的数字化对于提高当代记录的可访问性至关重要。这些档案，如期刊和新闻媒体，为研究历史事件提供了原始视角和见解。
    • 然而，OCR技术在将实体记录转换为数字文本的过程中容易出错，尤其是在处理报纸和期刊这类布局复杂的文档时。
  2. OCR错误对后续自然语言处理（NLP）任务的影响：
  3. 基于变换器的语言模型（LMs）在OCR后处理中的潜力：
    • 近年来，基于变换器架构的语言模型在自然语言处理领域取得了显著进展，这些模型能够执行复杂的语言任务，并且在某些情况下达到或超越人类水平。
    • 这些模型的“注意力”机制和掩码语言建模（MLM）训练方法使它们能够更好地理解和纠正文本中的错误，为OCR后处理提供了新的可能性。

综上所述，这篇文献的背景强调了在历史文档数字化过程中提高OCR准确性的需求，以及利用先进的语言模型来改进OCR输出和增强后续NLP任务的潜力。

取自“http://zh.wikiedge.org/index.php?title=WikiEdge:ArXiv-2408.17428v1/background&oldid=784”