Restoring Punctuation and Capitalization in Kazakh: A BERT-Based Approach for Text Normalization

2025

Закрытый доступ Метаданные (CSL-JSON)
DOI 10.1109/ubmk67458.2025.11207023
Достоверность данных 70 средняя
Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

This paper introduces a punctuation and capitalization (PC) restoration model for Kazakh, developed using the bert-base-multilingual-uncased model within NVIDIA’s NeMo framework. The model was trained on a curated dataset of preprocessed Kazakh Wikipedia articles and digitized books, stripped of irrelevant symbols and data. It demonstrates strong performance in predicting punctuation marks and word casing, achieving micro-average F1 scores of 98.04 for capitalization and 96.75 for punctuation. However, it struggles with rare markers, such as exclamation marks (F1: 32.85). While capitalization tasks show consistent success, punctuation restoration, particularly for less frequent markers, remains challenging. This model lays a solid foundation for improving automatic speech recognition (ASR) outputs and advancing natural language processing (NLP) applications in Kazakh, contributing to better post-processing and text normalization for low-resource languages.