Sur les vastes paysages numériques des plateformes de contenu comme TikTok ou YouTube, la barre de recherche est le pont principal entre la curiosité d'un utilisateur et le monde de l'information qui attend d'être découvert. Lorsqu'une personne tape une requête, elle exprime une intention spécifique, un désir pour une vidéo, une chanson ou un sujet particulier. Cependant, la saisie humaine est imparfaite. Dans la langue chinoise, où les caractères sont complexes et où la saisie repose largement sur des systèmes phonétiques, les utilisateurs commettent fréquemment des erreurs. Ils peuvent taper un caractère qui sonne exactement comme celui qu'ils voulaient mais qui est visuellement totalement différent, ou ils peuvent sélectionner un caractère qui ressemble visuellement à celui prévu mais qui porte un sens différent. Ces erreurs ne sont pas de simples fautes de frappe mineures ; à grande échelle, elles créent un flux de données bruyant. Si un moteur de recherche ne peut pas comprendre qu'une requête mal orthographiée demande en réalité quelque chose de spécifique, l'utilisateur reçoit des résultats non pertinents, ou pire, aucun résultat du tout. Ce problème est particulièrement aigu car les requêtes de recherche sont souvent très courtes, offrant peu de contexte pour aider un ordinateur à deviner ce que l'utilisateur voulait dire, et parce que l'argot Internet et les nouvelles tendances modifient le vocabulaire de ce que les gens recherchent à une vitesse fulgurante.

Pendant des années, l'approche standard pour corriger ces erreurs a consisté à enseigner aux ordinateurs en utilisant des listes massives d'exemples, en leur montrant des paires de requêtes « fausses » et « correctes ». Mais cette méthode présente une faille significative : elle nécessite que des humains étiquettent constamment les nouvelles erreurs à mesure qu'elles apparaissent, ce qui est lent, coûteux et impossible à suivre face à l'évolution rapide de la langue. Une idée plus séduisante a été de laisser les grands modèles de langage, les mêmes systèmes puissants capables de rédiger des essais ou de répondre à des questions, deviner simplement la requête correcte par eux-mêmes. Cependant, lorsque ces modèles reçoivent trop de liberté, ils vont souvent trop loin. Face à une requête courte et ambiguë, ils peuvent « sur-corriger », changeant entièrement l'intention de l'utilisateur en remplaçant un terme unique ou argotique par une expression générique et fréquente qui semble correcte mais qui signifie autre chose. Le défi consiste donc à trouver un moyen de corriger les erreurs sans perdre le sens original, et ce, sans avoir besoin d'un flux constant d'exemples étiquetés par des humains.

Des chercheurs de Kuaishou Technology et de l'Université de Fudan ont proposé un nouveau cadre appelé GUIDE pour résoudre ce problème spécifique. Au lieu de demander à un ordinateur de réécrire une phrase de zéro, ils ont conçu un système qui fonctionne sur le principe de « confondre puis clarifier ». L'idée centrale est de d'abord brouiller intentionnellement les lignes entre les caractères qui sont facilement confondus. Dans la langue chinoise, les erreurs les plus courantes proviennent de deux sources : les caractères qui sonnent de la même manière (homophones) et les caractères qui se ressemblent visuellement (similitudes visuelles). Les chercheurs ont construit un système qui regroupe ces caractères confus dans des catégories partagées. Par exemple, tous les caractères qui sonnent comme « gou » sans distinction de ton spécifique sont traités comme appartenant au même groupe, et tous les caractères qui se ressemblent visuellement sont regroupés. Ce processus prend efficacement l'entrée désordonnée et sujette aux erreurs et la projette dans une représentation simplifiée et abstraite où les erreurs potentielles sont déjà reconnues.

Une fois l'entrée projetée dans ces groupes partagés, le système utilise un modèle d'apprentissage automatique pour tenter de reconstruire la séquence originale et correcte de caractères. C'est un peu comme un puzzle dont les pièces ont été mélangées dans de larges catégories, et l'ordinateur doit déterminer exactement quelle pièce spécifique appartient à chaque emplacement. En entraînant le modèle à effectuer cette reconstruction à l'aide de vastes quantités de données de recherche non étiquetées — des données qui n'ont jamais été explicitement marquées comme correctes ou incorrectes — le système apprend les schémas de la façon dont les gens tapent réellement et là où ils ont tendance à faire des erreurs. Parce que le modèle est contraint de travailler dans les limites de ces groupes de confusion prédéfinis, il ne peut pas s'égarer et inventer une toute nouvelle requête. Il est contraint de choisir parmi les alternatives les plus plausibles, empêchant ainsi la « sur-correction » qui affecte d'autres méthodes. Le système apprend à être assez confiant pour corriger une erreur claire, mais assez prudent pour laisser de côté un jeu de mots unique ou intentionnel.

Pour tester cette approche, les chercheurs ont évalué GUIDE sur deux ensembles de données différents. Le premier était un benchmark public de 250 000 requêtes courtes, et le second était un ensemble de données massif et réel contenant des centaines de millions de journaux de recherche provenant de leur propre plateforme. Les résultats ont montré que GUIDE surpassait systématiquement les méthodes existantes, y compris celles qui reposent sur un étiquetage humain important et celles qui utilisent de puissants modèles de langage sans contraintes. Dans les tests en conditions réelles, le système a atteint un niveau de précision nettement supérieur à celui de ses concurrents, identifiant et corrigeant avec succès les erreurs tout en préservant l'intention originale de l'utilisateur. Plus important encore, les chercheurs ont déployé le système dans un environnement en direct, le faisant fonctionner aux côtés de leurs outils de correction existants pour voir comment les utilisateurs réels réagissaient. Les tests en ligne ont révélé une amélioration spectaculaire : le taux de requêtes mal orthographiées rencontrées par les utilisateurs a chuté de plus de 80 %. De plus, cette amélioration de la clarté a conduit à une augmentation mesurable de l'engagement des utilisateurs, avec davantage de personnes cliquant sur les suggestions de recherche et visionnant les résultats de recherche.

L'étude a également exploré comment différentes manières de regrouper les caractères affectaient les résultats. Ils ont constaté que la combinaison des groupes basés sur le son et des groupes de similitude visuelle fonctionnait mieux que l'utilisation de l'un ou l'autre seul. Le regroupement basé sur le son gérait la vaste majorité des erreurs, car les erreurs de frappe en chinois sont principalement phonétiques, mais le regroupement visuel permettait de capturer un ensemble spécifique d'erreurs que la logique des similitudes sonores avait manquées. Les chercheurs ont également découvert que le système fonctionnait mieux lorsque les groupes n'étaient ni trop larges ni trop étroits ; si les groupes étaient trop grands, le système devenait confus quant au caractère à choisir, mais s'ils étaient trop petits, il échouait à détecter les erreurs. En trouvant le bon équilibre, le système pouvait s'adapter à la nature changeante des tendances de recherche, apprenant des requêtes les plus récentes et fréquentes pour rester à jour.

Ce travail suggère que pour le texte court et ambigu comme les requêtes de recherche, la clé d'une correction efficace n'est pas de donner à l'ordinateur le moteur génératif le plus puissant possible, mais de lui donner les bonnes contraintes. En reconnaissant les manières spécifiques dont les humains font des erreurs et en intégrant ces limitations directement dans le processus d'apprentissage, le système peut apprendre à partir de données brutes sans nécessiter une supervision humaine constante. Le succès de GUIDE indique qu'une approche plus contrôlée et structurée pour corriger le texte peut être plus fiable que de laisser des modèles puissants errer librement, surtout dans des environnements où le coût d'une mauvaise supposition est la perte de connexion entre un utilisateur et le contenu qu'il recherche. Alors que les plateformes de recherche continuent de croître et que le langage d'Internet évolue, les méthodes capables de s'adapter rapidement et précisément à ces changements sans intervention humaine lourde deviendront de plus en plus vitales.