A Parallel Corpus of Persian Sentences for Spell Checking
/persian-2-persian-corpus (208,655 sentence pairs)
/train (516 images)
src.txt (200,000 unedited sentences)
tgt.txt (200,000 edited sentences)
/dev (2,000 sentece pairs)
src.txt (2,000 unedited sentences)
tgt.txt (2,000 edited sentences)
/test (6,655 sentence pairs)
src.txt (6,655 unedited sentences)
tgt.txt (6,655 edited sentences)
This dataset consist of 200K pairs of unedited and edited Persian sentences. The unedited version of the sentences may have one or several of the following error types: A. Punctuation errors
سرب سنگین‌ترین عنصر پایدار است
سرب سنگین‌ترین عنصر پایدار است.
B. Missing zero-width non-joiner (ZWNJ) character in compound words
حفظ رقابتپذیری در اقتصاد بر اثر تضعیف پول ملی
حفظ رقابتپذیری در اقتصاد بر اثر تضعیف پول ملی
C. Missing space between consecutive words
از دیگر مشخصات دصتگاه جدید ژاپنیها می توان به اباتری 3240 میلیآمپرساعتی و سیستم آمل اندروید پی اشاره کرد.
از دیگر مشخصات دستگاه جدید ژاپنیها می‌توان به باتری ۳۲۴۰ میلیآمپرساعتی و سیستم عامل اندروید پی اشاره کرد.
D. Real-word errors (a misspelled word is a valid word in lexicon)
در هفته گذشته نرخ عرض روند افزایشی داشت.
در هفته گذشته نرخ ارز روند افزایشی داشت.
E. Non-word spelling errors
این تعادل موجب پایداری سطاره در این حالت می شود.
این تعادل موجب پایداری ستاره در این حالت می شود.
F. Using Arabic numerals (1, 2, 3, …., 9) in Persian texts
بررسی رأی اعتماد وزیران پیشنهادی کابینهٔ دوم وی از روز یک شنبه 8 شهریور 1388 در مجلسآقاز شد .
بررسی رأی اعتماد وزیران پیشنهادی کابینهٔ دوم وی، از روز یک‌شنبه ۸ شهریور ۱۳۸۸ در مجلس آغاز شد.
G. Using English quotation mark in Persian texts (/“”/ instead of /«»/)
او فرند " جهانبخش خوان پهلوان " پسر " خسروخوان" بود.
او فرزند «جهانبخش خان پهلوان»، پسر «خسرو خان» بود.
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent