拼写检查,包括拼写错误检测和纠正,是自然语言处理领域的一个经典问题。最常见的拼写错误是排版错误;这些错误是由于某些阿拉伯字母在发音相同的情况下存在正字法差异而产生的。本研究旨在实验并应用一种最新的基于注意力机制的Transformer深度学习模型,并结合神经机器翻译的序列到序列(seq-to-seq)损失函数,来处理现代标准阿拉伯语的拼写检查任务。我们使用了开源的神经网络库OpenNMT来训练双向编码器表示模型(Bidirectional Encoder Representations from the Transformers)和双向长短期记忆模型(Bidirectional Long Short-Term Memory Model)作为检测和纠正阿拉伯语拼写错误的基线模型。该序列到序列模型将损坏的文本(输入序列)转换为干净、无错误的文本(输出序列)。合成数据集来源于“SCUT语料库第3版”(SCUT Corpus Version 3),我们在其中创建并应用了一个随机噪声注入混淆函数。该过程涉及在文本的随机位置替换字符以模拟拼写错误,目的是模仿常见的人类打字或转录错误,包括排版错误和认知性拼写错误。在评估模型性能时,考虑了数据中的损坏比例以及输入序列的长度。训练后的模型在准确率和双语评估得分(Bilingual Evaluation Understudy Score)方面的表现令人满意,并且与其他解决方案相比具有竞争力。