Text cleaning with transformer language models for Hungarian

In language technology, clean data is fundamental for training high-quality models, yet large corpora often contain substantial noise due to OCR errors, missing diacritics, and various user-generated inconsistencies. This paper presents a comprehensive text cleaning pipeline tailored for Hungarian,...

Teljes leírás

Elmentve itt :
Bibliográfiai részletek
Szerzők: Madarász Gábor
Holl András
Ligeti-Nagy Noémi
Yang Zijian Győző
Váradi Tamás
Testületi szerző: Magyar számítógépes nyelvészeti konferencia (21.)
Dokumentumtípus: Könyv része
Megjelent: Szegedi Tudományegyetem TTIK, Informatikai Intézet Szeged 2025
Sorozat:Magyar Számítógépes Nyelvészeti Konferencia 21
Kulcsszavak:Nyelvi modell, Nyelvészet - számítógép alkalmazása
Tárgyszavak:
Online Access:http://acta.bibl.u-szeged.hu/88777
LEADER 02300naa a2200301 i 4500
001 acta88777
005 20251112130639.0
008 251112s2025 hu o 100 eng d
020 |a 978-963-688-034-7 
040 |a SZTE Egyetemi Kiadványok Repozitórium  |b hun 
041 |a eng 
100 1 |a Madarász Gábor 
245 1 0 |a Text cleaning with transformer language models for Hungarian  |h [elektronikus dokumentum] /  |c  Madarász Gábor 
260 |a Szegedi Tudományegyetem TTIK, Informatikai Intézet  |b Szeged  |c 2025 
300 |a 123-135 
490 0 |a Magyar Számítógépes Nyelvészeti Konferencia  |v 21 
520 3 |a In language technology, clean data is fundamental for training high-quality models, yet large corpora often contain substantial noise due to OCR errors, missing diacritics, and various user-generated inconsistencies. This paper presents a comprehensive text cleaning pipeline tailored for Hungarian, leveraging transformer-based language models optimized for three key tasks: OCR error correction, diacritic restoration, and filtering grammatically incorrect sentences. We introduce huT5, a Hungarian adaptation of the mT5 model, which significantly reduces model parameters and resource demands while maintaining strong performance on Hungarian-specific text cleaning tasks. The huT5 models were fine-tuned on carefully constructed Hungarian corpora for each task and benchmarked against state-of-the-art methods, demonstrating competitive results, particularly in OCR error correction and diacritic restoration. Our pipeline offers an efficient, freely accessible solution to enhance data quality for Hungarian NLP applications, setting a new standard in resource-efficient, language-specific text cleaning. 
650 4 |a Természettudományok 
650 4 |a Számítás- és információtudomány 
650 4 |a Bölcsészettudományok 
650 4 |a Nyelvek és irodalom 
695 |a Nyelvi modell, Nyelvészet - számítógép alkalmazása 
700 0 1 |a Holl András  |e aut 
700 0 2 |a Ligeti-Nagy Noémi  |e aut 
700 0 2 |a Yang Zijian Győző  |e aut 
700 0 2 |a Váradi Tamás  |e aut 
711 |a Magyar számítógépes nyelvészeti konferencia (21.)  |c Szeged  |d 2025. február 6-7. 
856 4 0 |u http://acta.bibl.u-szeged.hu/88777/1/msznykonf_021_123-135.pdf  |z Dokumentum-elérés