GitHub Typo Corpus

你是那种在写代码的时候经常打错字的人吗？还是您是通过“修复错字”提交来修复它们的人？不管怎样，谢谢你——你为 NLP 领域的最新技术做出了贡献。 GitHub Typo Corpus 是一个大规模的拼写错误和语法错误以及从 GitHub 收集的更正的数据集。它包含超过 350k 的编辑和超过 15 种语言的 65M 字符，使其成为迄今为止最大的拼写错误数据集。

搜集汇总

背景与挑战

背景概述

GitHub Typo Corpus是一个从GitHub收集的大规模多语言拼写和语法错误数据集，包含超过35万次编辑和15种语言的6500万字符，是目前最大的此类数据集。该数据集由Octanove Labs等机构于2019年发布，旨在支持自然语言处理技术的研究。