近日，字节跳动与北京大学合作研发的古籍数字化平台“识典古籍”测试版正式上线了。
目前，平台已经整理上线了390部经典古籍，共计3000多万字，主要来自《四部丛刊》；预计在3年内，我们将完成10000种古籍数字化整理，基本覆盖儒家、道家和佛家的核心典籍目录，并对全社会免费开放，公众可以通过识典古籍平台高效检索、阅读和利用古籍。
一直以来，古籍数字化整理面临着技术、资金等诸多困难，导致数字化进展缓慢，或使用体验不佳等。据不完全统计，中国现存古籍约20万种，其中已经完成数字化影像扫描的有8万种，而实现文本数字化的仅3-4万种。
今年3月，字节跳动与北京大学开展合作，希望通过OCR（光学字符识别）、句读、实体识别、知识图谱构建等方面的多种技术，实现古籍的智能化整理，让古籍能够以文本的形态加以检索、关联阅读和深度挖掘与利用。
01.
识典古籍测试版的四个特点
目前上线的“识典古籍”测试版有以下四个特点：向公众免费开放，实现知识共享；采用影印底本，来源权威；繁简一键转换，方便阅读；灵活检索古籍，运行流畅。
首先是免费开放，知识共享。为了让更多人阅读到古籍里的内容，促进知识的共享，“识典古籍”数字化平台将长期免费向全社会开放，同时，我们十分欢迎更多古籍收藏机构、研究机构和热心古籍事业的个人一起共建。
其次是影印底本 ，来源权威。进入“识典古籍”测试版，用户任意阅读一本古籍，均可通过点击“原本影像”，查看古籍的底本影印图像。通过左右对照，大家既能用现代人习惯的方式顺畅地读懂古籍内容，也能感受原汁原味的古籍。
第三是，繁简转换，方便阅读。点击右上角繁简体转换功能，可轻松切换繁简字，方便专业研究人员、古籍爱好者以更加高效便利的方式读懂古籍内容。
第四是，灵活检索，运行流畅。用户还可以通过关键词检索，快速找到来自不同古籍的相关内容，方便大家对文献内容进行灵活运用。依托字节跳动积累的产品研发与设计能力，“识典古籍”测试版也保证了使用过程的稳定、快速。
02.
古籍是如何实现数字化的？
“识典古籍”测试版的开发与上线，依托于字节跳动与北京大学在OCR文字识别、自然语言处理、知识图谱等技术领域的合作。
古籍的数字化主要经历了文字识别、自动标点、命名实体识别三个过程。
第一，在文字识别阶段，OCR技术首先将单个文字从图片中一个个切割开，再将切分好的图片送入模型，识别出具体文字，最后结合文字内容和文字位置获取阅读顺序，完成了文字的识别。目前行业内OCR的识别准确率平均为93%至94%，而“识典古籍”将这个数字提高到96%至97%。
第二，在自动标点阶段，要通过算法，给原本缺少断句的古籍自动打上标点符号。文字识别步骤中被识别出的文字，在编码后被转换为计算机语言，通过计算，文字被打上标点并输出。举个例子，“学而时习之不亦说乎”，自动标点后的结果是“学而时习之，不亦说乎？”
第三，为了进一步优化文字识别的精准度，命名实体识别技术会通过预测文字的实体标签，识别包括人名、地名、书籍、时间、官职五种类型的专有名词。
除了搭建古籍数字化阅读平台，字节跳动还在助力古籍修复、古籍活化上进行了探索。2021年6月，字节跳动联合中国文物保护基金会成立古籍保护专项基金，与国家图书馆开展合作，预计1-2年内修复珍贵古籍100余册件，培养100名古籍修复人才。同时，我们还通过古籍纪录片、激励创作者以多元形式演绎古籍知识等，让古籍鲜活起来，吸引更多人喜爱和关注。
文以载道，源远流长，古籍穿越历史的长河，带着古人的智慧向我们走来。我们期待与更多的古籍收藏机构、研究团队、爱好者等一起，助力古籍传承，让古籍真正活起来，传下去。
