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

来自WikiEdge
跳转到导航 跳转到搜索
←上一编辑
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
 
第1行： 第1行：
<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2408.17428v1/summary|action=edit}} 编辑]</div>
<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2408.17428v1/summary|action=edit}} 编辑]</div>
这篇论文介绍了一种名为[[Context Leveraging OCR Correction]] (CLOCR-C)的新方法，旨在利用[[预训练语言模型]]（[[LMs]]）来提高[[光学字符识别]]（[[OCR]]）的质量。研究主要围绕三个问题展开：LMs是否能够提高[[报纸]]和[[期刊]]OCR输出的准确性；CLOCR-C错误率的降低是否能够改善下游[[自然语言处理]]（[[NLP]]）任务；以及提供[[社会文化背景信息]]是否能够提高OCR输出的准确性。
这份文件是一篇关于利用[[预训练语言模型]]进行[[光学字符识别]]（[[OCR]]）后处理的研究论文，论文的主要内容可以概括如下：
# '''引言'''：强调了[[数字化]]历史[[印刷媒体]]档案对于提高当代记录可访问性的重要性，同时指出OCR在转换物理记录为数字文本时容易出错，尤其是在报纸和期刊这类复杂布局的文档中。以往的研究和方法，包括[[众包校正]]和[[机器学习方法]]，都面临着挑战和局限性。
# '''引言'''：介绍了数字化历史印刷媒体档案的重要性以及OCR技术在转换物理记录为数字文本过程中的误差问题，特别是在[[报纸]]和[[期刊]]这类复杂布局的文档中。
# '''CLOCR-C介绍'''：提出了利用预训练LMs的“填充”和适应上下文的能力来改善OCR质量的概念。研究目标是探索LMs在OCR后校正、提高下游NLP任务性能以及在纠正过程中提供社会文化背景的价值。
# '''CLOCR-C介绍'''：提出了一种名为[[Context Leveraging OCR Correction]] (CLOCR-C) 的方法，该方法利用基于[[变换器]]的[[语言模型]]（[[LMs]]）的填补和适应上下文的能力来提高OCR质量。
# '''目标和贡献'''：明确了研究旨在回答的三个问题：LMs是否能提高报纸和期刊OCR输出的准确性；CLOCR-C错误率的降低是否能改善下游[[自然语言处理]]（[[NLP]]）任务；以及提供社会文化上下文是否能提高OCR输出的准确性。
# '''方法论'''：
# '''方法论'''：
#* '''数据集和抽样方法'''：使用了包括19世纪期刊版（[[NCSE]]）、《[[悉尼先驱晨报]]》和《[[美国编年史]]》等三个数据集进行实验。
#* '''数据集和抽样方法'''：使用了包括19世纪期刊版（[[NCSE]]）和[[Overproof]]收藏中的两个数据集在内的三个数据集进行实验。
#* '''语言模型'''：比较了七种流行的LMs，包括[[GPT-4]]、[[GPT-3.5]]、[[Llama 3]]等。
#* '''语言模型'''：比较了七种流行的LMs在OCR后处理上的表现。
#* '''实验设置'''：详细描述了用于LM评估的[[提示]]（prompt）变体、选择过程以及用于测试下游任务改进的实验。
#* '''实验设置'''：描述了用于测试LMs的提示选择过程、评估指标以及对下游任务改进的实验。
# '''实验结果'''：
# '''实验结果'''：展示了不同LMs在OCR后处理上的性能，以及它们在下游任务（如[[命名实体识别]]）上的影响。还探讨了社会文化上下文在OCR后处理成功中的作用。
#* '''语言模型比较'''：发现某些LMs显著降低了错误率，其中在NCSE数据集上表现最好的模型实现了[[字符错误率]]超过60%的降低。
# '''讨论'''：分析了LMs在OCR后处理中的表现，以及提示和文本的社会文化上下文对性能的影响。
#* '''下游任务影响'''：OCR质量的提高扩展到了下游任务，如[[命名实体识别]]（[[NER]]），提高了余弦命名实体相似度。
# '''结论'''：总结了LMs可以用于OCR后处理，并且提供文本的社会文化上下文可以改善性能，同时误导性的提示会降低性能。提出了CLOCR-C作为一种有前景的OCR校正方法，并强调了进一步研究的需求。
#* '''社会文化信息的作用'''：研究表明，在提示中提供社会文化背景可以改善性能，而误导性的提示则会降低性能。
# '''结论'''：论文得出CLOCR-C是一种有前景的方法，能够通过利用LMs中嵌入的社会文化信息和待纠正文本，提高现有数字档案的质量。同时，论文还发布了一个包含91篇转录文章的数据集，以支持这一领域的进一步研究。

2024年9月3日 (二) 10:33的最新版本

编辑

这份文件是一篇关于利用预训练语言模型进行光学字符识别（OCR）后处理的研究论文，论文的主要内容可以概括如下：

  1. 引言：介绍了数字化历史印刷媒体档案的重要性以及OCR技术在转换物理记录为数字文本过程中的误差问题，特别是在报纸和期刊这类复杂布局的文档中。
  2. CLOCR-C介绍：提出了一种名为Context Leveraging OCR Correction (CLOCR-C) 的方法，该方法利用基于变换器的语言模型（LMs）的填补和适应上下文的能力来提高OCR质量。
  3. 目标和贡献：明确了研究旨在回答的三个问题：LMs是否能提高报纸和期刊OCR输出的准确性；CLOCR-C错误率的降低是否能改善下游自然语言处理（NLP）任务；以及提供社会文化上下文是否能提高OCR输出的准确性。
  4. 方法论：
    • 数据集和抽样方法：使用了包括19世纪期刊版（NCSE）和Overproof收藏中的两个数据集在内的三个数据集进行实验。
    • 语言模型：比较了七种流行的LMs在OCR后处理上的表现。
    • 实验设置：描述了用于测试LMs的提示选择过程、评估指标以及对下游任务改进的实验。
  5. 实验结果：展示了不同LMs在OCR后处理上的性能，以及它们在下游任务（如命名实体识别）上的影响。还探讨了社会文化上下文在OCR后处理成功中的作用。
  6. 讨论：分析了LMs在OCR后处理中的表现，以及提示和文本的社会文化上下文对性能的影响。
  7. 结论：总结了LMs可以用于OCR后处理，并且提供文本的社会文化上下文可以改善性能，同时误导性的提示会降低性能。提出了CLOCR-C作为一种有前景的OCR校正方法，并强调了进一步研究的需求。
取自“http://zh.wikiedge.org/index.php?title=WikiEdge:ArXiv-2408.17428v1/summary&oldid=783”