Este documento aborda específicamente eso como su fortaleza en comparación con otros modelos de corrección de errores que solo corrigen errores de sustitución / eliminación / inserción. Un modelo de Markov oculto generalizado con entrenamiento discriminativo para corrección ortográfica de consultas
- Lo llaman corrección de palabras cruzadas en la figura a continuación. El caso publicado en la pregunta ( worktogether => work together ) se consideraría concatenación en su terminología.
- Una cosa buena de este modelo es que su corrección utiliza un modelo de lenguaje, por lo que tiene en cuenta los contextos de palabras circundantes a diferencia de las medidas de distancia de edición tradicionales que solo miran una palabra y editan distancias de otros candidatos, un enfoque que puede generar candidatos muy improbables aunque la distancia de edición es pequeña (a veces sugerencias muy divertidas / absurdas, ya que cualquier usuario de iPhone puede testificar, aunque no se puede decir con certeza qué tipo de correcciones usan, si están usando un modelo de lenguaje para la corrección, entonces no parece estar funcionando como debería )
- ¿Qué funciona mejor: Autoencoder Variacional o Redes Adversarias Generativas?
- ¿Cómo soluciona un máximo A posterior el problema de sobreajuste en una estimación de máxima verosimilitud?
- ¿Existe algún programa que pueda ajustar computacionalmente funciones armónicas esféricas en un conjunto de datos?
- ¿Qué recomendarías, Machine Learning o DevOps?
- Si quiero desarrollar una carrera en aprendizaje automático e inteligencia artificial, ¿debería comenzar con chatbots?
