藏文

摘要： 拼写错误分析是一项具有挑战性的研究课题,在文本编辑、字处理、拼写检查等诸多方面具有广阔的应用前景.藏文是一种拼音文字,其拼写错误类型包括非真字型、真字型和标点符号等.文章以藏文文法中的字、词构造规则和语义作为切入点,总结归纳了藏文文本拼写错误类型,为藏文文本拼写检查技术提供参考依据.

摘要： 藏文人名地名识别主要是从藏文文本中识别出人名、地名等专有名词。藏文文本语法较为复杂,使用传统机器学习方法人工构建特征难度大。深度学习(DeepLearning,DL)可以对任务数据自动构建特征,使用BiLSTM提取藏文文本特征,采用CRF对标签序列准确解码。实验证明基于BiLSTM-CRF的藏文人名地名识别模型能够有效识别藏文文本中的人名、地名,并且F1值达82.1%。

摘要： 藏文句法分析对藏文语义信息处理和藏文问答系统、机器翻译等研究结果产生直接影响。文章利用文献综述方法对近年来的藏文句法分析理论研究和实际应用进行了梳理,分析了目前藏文句法分析研究的现状和存在的问题,在此基础上提出了构建藏文依存树数据库的思路。

摘要： 谷歌浏览器目前是全球使用最多的浏览器,其扩展程序可以极大地优化用户的体验。扩展程序在信息拦截上同样有着极大的作用,但其在地域特点比较明显的地区,语言、格式以及表述等的影响下,拦截效果折扣。针对这类问题,重点对拦截藏文敏感信息的浏览器扩展程序进行研究开发,根据藏文敏感词权重值对网页进行等级划分,对含有敏感信息的网页进行拦截,避免不法言论和信息的传播,以优化藏区网络环境。

摘要： 自动文本摘要是自然语言处理中的一个关键任务,高质量的数据集能有效推动摘要的研究。深度学习算法模型在中英开源数据集上都取得了显著的成绩,甚至超过了人类的表现。然而,公开的、高质量的大规模摘要数据集仍然非常稀少,且不容易人工构建。目前在藏文文本摘要任务中,由于公开数据集较少,藏文文本摘要任务还处于起步阶段。为了推动藏文信息化发展,本文人工构建了一个小型藏文多文本摘要数据集Ti-SUM,由1000篇真实藏文新闻组成,每一篇新闻都给出了简短的摘要。此外我们还针对每篇新闻构建了超过3500个文章关键词,用以辅助文本摘要任务。

摘要： 机器阅读理解是自然语言处理的关键任务,旨在考察机器是否具有理解自然语言的能力。目前,中英文领域的机器阅读理解取得了很大的进展,模型的性能已经超过了人类的水平,其中公开数据集起到了非常重要的作用,如斯坦福大学的SQuAD数据集。而对于低资源语言,如藏文,由于缺乏大规模公开的数据集,机器阅读理解的相关研究还处于起步阶段。因此,本文构建了面向藏文机器阅读理解的数据集,数据集包含631篇文章,903个段落,形式为excel文件。其中,第一列为当前文章ID,第二列为文本标题,第三列为段落,第四列为问题,第五列为问题对应的答案。其文本数据来自云藏网,问题和答案是由20位藏语专业人员进行人工录入和标注,类型涉及自然、文化、教育等12个领域。本数据集的发布,对于促进藏文信息处理的发展具有重要的价值。

摘要： 藏文文本质量是影响藏文信息处理的重要因素,纠正藏文文本中复杂多样的音节错误是提高藏文文本质量的重要工作。本文以1.5亿多音节的真实藏文文本为统计源,并从中查找出2 333 617个错误音节(约占总语料库文本的5.6%),并根据上下文信息和藏文文法规则对错误音节进行人工纠错和分类,把藏文音节错误归为11种类型,并统计每一种错误类型的出现频度、高频错误音节等,分析错误原因,为藏文文本校对系统等软件的设计和实现提供参考。

摘要： 西夏本《八千颂般若经》译自藏文原本,与其内容相近的汉文本则有宋施护所译《佛说佛母出生三法藏般若波罗蜜多经》和唐玄奘所译《大般若经·第四会》。目前所知,西夏本《八千颂般若经》有5个编号:инв.№2727、инв.№102、инв.№896、инв.№103、инв.№4754,内容依次为卷四、卷十、卷十五、卷二十、卷十。инв.№103卷二十包括“学品”和“增上慢品”,论文对“学品”进行了西夏文录文、汉译、校注,并对经文中佛教词汇的夏、藏、汉对应关系作了总结,旨在为西夏语言、佛教以及文献研究提供一份新的基础资料。

摘要： 在藏族地区,藏文课是一门基础性的课程,也是重要的课程,是对藏族文化的一种传播和继承。小学藏文这门学科和其它学科不同,该学科在西藏是所有学科学习的基础,其占据了教育的重要地位。写作教学作为小学藏文教学的一个重要组成部分,是对孩子们认字识字,措辞造句、理论构思、写作逻辑等方面的综合训练,它最能集中地反映出孩子们的藏文素养。但是就目前西藏地区藏文写作教学情况来看,仍然存在着很多的问题。鉴于此,本文对小学藏文写作教学的有效策略进行了探索。

摘要： 微博是非常流行的用户交流及信息传播的轻量级自媒体平台,对微博情感的研究有着重要的价值。受到藏文信息处理的限制,藏文微博情感分析效果仍然不是很好。使用从新浪微博上收集的藏文微博数据进行实验,并对分词后的藏文微博进行实义词语的抽取,利用SVM分类算法对藏文微博进行情感分析,将藏文微博分为积极、客观和消极三类。实验表明对实义词语进行抽取后,模型的训练效率提高15%-20%,分类精确率达到59.7%。

摘要： 词向量在自然语言处理研究的各个领域发挥着重要作用.该文从语言学角度出发,讨论了词向量技术与语言学理论的关系;根据词向量的特征,提出利用藏文词向量构建语义相似词知识库.作者以哈尔滨工业大学的中文《词林》为基础,通过汉藏双语词典对译,在获取对译词的词向量的基础上,计算对译词的词向量与原子词群平均词向量的差值,利用不同的差值,自动筛选出与原子词群语义相似度较小的词.作者分别以藏文的词和音节为单位计算词向量,自动筛出不属于原子词群的词;自动筛选结果与人工筛选结果对比,发现两者具有较高的一致性,说明词向量计算结果与人的语言直觉具有较高的一致性.因此本文所采用的方法有助于提高藏文语义相似词知识库构建效率.

摘要： 关系抽取任务是对句子中的实体对进行关系分类.远程监督用于关系抽取是用预先构建的知识库来对齐朴素文本,自动标注数据,在一定程度上减少了人工标注的成本,因而可以用在缺少训练语料的藏文领域.但是基于远程监督的实体关系抽取还存在错误标记,提取特征时出现噪声等问题.本文用远程监督方法进行藏文实体关系抽取,基于已经构建的藏文知识库,利用分段卷积神经网络结构,加入语言模型和注意力机制来改善语义歧义问题以及学习句子的信息;在训练过程中加入联合得分函数来动态修正错误标签问题.实验结果表明改进的模型有效提高了藏文实体关系的准确率,且优于基线模型效果.

摘要： 在缺乏标注数据的条件下本文把藏文正字检错任务视为一个分类问题,首先从语言知识中构建音节混淆子集并给每个原句加噪,然后建立深层双向表征的BERT作为分类模型,最后为了证明本方法的有效性,构建两个基线模型和三种不同领域的测试集,实验结果显示本方法的结果优于两个基线模型.本方法在相同领域测试集上句子分类的正确率达到93.74％,不同领域测试集上也能达到83.6％.对错误音节的识别结果为74.53％,同时对无错误音节的误判率只有2.3％.

摘要： 从无结构文本中抽取实体与实体之间的关系是自然语言处理领域的重要研究内容,同时也为构建知识图谱、问答系统等应用提供重要支撑.基于联合模型的实体关系抽取任务将实体识别和关系抽取同时进行,克服了传统实体关系抽取任务中先识别句子中的实体,然后在进行实体关系判断这两次任务中的错误累加.该文针对藏文语料匮乏,实体识别准确率不高等问题,提出了基于联合模型抽取藏文实体关系的方法.该文基于藏文实体关系抽取任务,提出以下方案:针对藏文分词准确率不高的问题,对藏文进行字级和词级两种方式进行预处理,并给出对比实验,结果表明采用字级处理方式较词级处理方式效果有所提高.藏语是一种语法规则比较强的语言,名词、格助词等能明确指示句子各组块之间的语法和语义结构关系,因此该文将藏文的词性标注特征加入到藏文的字词向量中,实验结果表明方法的有效性.该文借鉴了联合模型处理的优势,提出基于联合模型处理方式,采用端到端的BiLSTM框架将藏文实体关系抽取任务转变为藏文序列标注的问题,实验结果表明,该文的方法较传统的基于藏文处理方式如SVM算法和LR算法,准确率提高了30％-40％.

摘要： 本文详细阐述了传统文法对la don的分类及不同类别的语法功能,指出传统和现有的分类系统存在某些不足,并提出新的分类体系,比较全面地分析了各类la don的语法特点.经过实践证明本文提出的分类既符合藏文文法实际,又有利于机器自动处理,在藏文文本分析中是值得借鉴的一种尝试.

摘要： 藏语词性标注技术在藏文信息处理领域中占有十分重要的地位.本文主要对HMM模型技术进行了深入的研究.并实现了词性标注系统,主要通过隐马尔科夫模型对训练语料库进行数据统计,获取词性和词汇概率信息.然后采用Viterbi算法进行标注.

摘要： 本文考察了现有八个搜索引擎对藏文的支持能力,以及藏文网页的规模和编码分布情况,结果显示,只有四个能支持藏文,其中Google对藏文支持能力较好,但由于国内主要藏文网站多种藏文编码共存的情况,而Google只能支持Unicode藏文基本集编码,导致其可用性不足.针对此问题,作者研究了通用藏文搜索引擎中的编码识别转换及倒排索引等关键技术,基于开源软件Nutch和Solr设计并实现了一个藏文搜索引擎原型系统.

摘要： 通用型语料库的建设过程中,语料的选材过程是保证语料库实用性和科学性的重要环节.文章从通用型藏文大型语料库的构建目的出发,阐述语料库在选材的原则和方法的基础上,研究划分了藏语语料的类别,为藏语语料选材原则的规范提供参考和借鉴.

摘要： 文章主要介绍了藏文在线自动问答系统中问题分类的方法,对每个问题类型设计了较为合理的匹配规则,如果一个问题和一个规则相匹配,此问题就属于该规则对应的答案类型,利用这种策略可以降低检索的空间,提高检索的效率,尤其此方法在藏文自动问答系统中可以有效地提高人们获取信息的准确性.

摘要： 纳西族东巴古籍文献主要以纸质文献为主,石刻文献不多见.本文东巴文玛尼堆铭文文字较多、结构完整、内容丰富,补充了纳西东巴文献的材质类型,保留了较多早期文字的特征和地域性特征.可供民族学、宗教学、民俗学等学科做进一步研究.

摘要： 本发明公开了一种藏文电码编码、解码的方法和装置，属于通信领域。所述编码方法包括：获取一个藏文音节；按照从左至右的顺序依次对其中每个位置上的字符进行判断；如果当前位置包括一个字符，则查找预设的编码表得到与该字符对应的编码；如果当前位置包括垂直排列的多个字符，则按照先辅音后元音且辅音从上至下的顺序对该垂直排列的多个字符中的每个字符，依次查找编码表得到对应的编码；在编码的过程中，在每两个相邻的编码间添加字符间隔符，在该藏文音节中所有位置的字符都完成编码后得到该藏文音节的电码编码。本发明给出了基于少数民族语言实现电码编码解码的方案，极大地方便了藏文的通信，在应急通信及安全保密通信方面都有很大作用。

摘要： 本发明公开了一种藏文字成分分析方法、藏文排序方法以及对应装置，涉及自然语言处理领域。为解决现有的藏文排序方法不具有通用性或兼容性，不便于计算机藏文自动排序的使用的问题而发明。本发明提供的技术方案包括：S10、获取待分析的藏文文本；S20、将所述藏文文本中藏文字作为预设有限状态自动机群组的输入；S30、当所述有限状态自动机群组中目标有限状态自动机确定所述藏文文本中藏文字拼写正确时，根据所述目标有限状态自动机获取该藏文字的组成成分。

摘要： 本发明公开了一种藏文电码编码、解码的方法和装置，属于通信领域。所述编码方法包括：获取一个藏文音节；按照从左至右的顺序依次对其中每个位置上的字符进行判断；如果当前位置包括一个字符，则查找预设的编码表得到与该字符对应的编码；如果当前位置包括垂直排列的多个字符，则按照先辅音后元音且辅音从上至下的顺序对该垂直排列的多个字符中的每个字符，依次查找编码表得到对应的编码；在编码的过程中，在每两个相邻的编码间添加字符间隔符，在该藏文音节中所有位置的字符都完成编码后得到该藏文音节的电码编码。本发明给出了基于少数民族语言实现电码编码解码的方案，极大地方便了藏文的通信，在应急通信及安全保密通信方面都有很大作用。

摘要： 本发明提供一种藏文字检错方法及系统，以及一种藏文字串检错方法及系统。其中所述藏文字检错方法包括：首先，获取待检错的藏文字；然后，将所述待检错藏文字与预设的藏文字检错正则表达式进行匹配；最后，根据匹配是否成功判断所述待检错的藏文字是否有错误。相较于现有技术中利用字典匹配的方式进行藏文字检错的方法，本发明基于现代藏文字的构字规律，利用藏文字检错正则表达式进行藏文字的检错，具有占用处理器资源少、内存占用低、运行负荷小、检错效率高等优点。

摘要： 本发明是一种基于藏文句子级别的藏文论文复制检测方法及系统，方法对藏文文本字符编码转换及噪音去除的预处理；利用藏文句子边界识别把文本按句子分成文本块并建立文本块分词临时表；根据句子数在句子‑文档倒排索引表和临时表中提取并计算文本特征得到句子相似度；利用句子相似值建立邻接表并计算文本块相似度，根据文本块相似值来检测两篇藏文论文存在的复制。所述系统包括通过因特网连接到客户终端服务器的藏文论文复制检测装置，以及连接到所述服务器存储藏文论文的数据库；所述装置包括对文本字符编码转换及去除噪音的预处理模块；构建文本块分词的临时表模块；构建句子文本特征的提取模块；检测论文存在相似复制数据的复制检测模块。

摘要： 本发明公开了一种基于藏文字符构件识别技术的藏文字符字典排序的方法，涉及藏文信息处理技术领域，本发明由藏文字符构件识别和藏文字符排序两个步骤及两部分组成。藏文字符构件识别是藏文字符排序的先决条件，只有正确识别了藏文字符的构件后，才能进行藏文字符的排序。本发明有益效果：1、藏文字符结构的正确识别。由于所有的现代藏字都包含在48种结构中，按照本发明提出的方法识别藏文字符的结构，识别结果可以达到100％的准确率。2、藏文字符的字典序的排序方法。在识别藏文字符构件的基础上，按照本发明提出的排序方法能够对藏文字符进行排序，排序的结果符合藏文字典序列。可以广泛用于计算机藏文数据的排序、藏文字典的编排等。

摘要： 本发明公开了一种藏文字成分分析方法、藏文排序方法以及对应装置，涉及自然语言处理领域。为解决现有的藏文排序方法不具有通用性或兼容性，不便于计算机藏文自动排序的使用的问题而发明。本发明提供的技术方案包括：S10、获取待分析的藏文文本；S20、将所述藏文文本中藏文字作为预设有限状态自动机群组的输入；S30、当所述有限状态自动机群组中目标有限状态自动机确定所述藏文文本中藏文字拼写正确时，根据所述目标有限状态自动机获取该藏文字的组成成分。

摘要： 本发明公开了一种藏文输入键盘、藏文输入方法及系统，涉及少数民族文字处理领域，以解决目前在手持设备有限的键位上没有合理的键盘布局以及没有实现所有藏文输入的问题。藏文输入键盘包括：藏文字符区，该区中的键位分别对应不同系列的同音藏文字符；藏文标点区，该区中的键位分别对应不同的藏文标点。藏文输入方法包括：以藏文输入键盘输入藏文时，按照输入顺序获取藏文输入键盘的藏文字符区中键位的触发信号；按照输入顺序缓存所述键位对应的各系列同音藏文字符；以藏文的字为单位，对缓存的各系列同音藏文字符进行编码；当编码得出藏文的字时，输出该字。系统包括：本发明的藏文输入键盘、信号获取单元、缓存单元、编码单元和输出单元。

摘要： 本发明公开了一种藏文化数字化采集展示系统及方法，包括图像数字化采集模块、图像预处理、矢量图像数据库、文化元素信息补充和交互平台系统，(1)、图像数字化采集系统，采集单元用于对拍摄区域的图像进行采集，将采集到的信息送到图库中；(2)、图像预处理模块，从图库中寻找有特点的图片，通过图像矢量数字化和人工标注的方式提取特征点或特征线；(3)、矢量图像数据库，将采集出来的图像元素分类储存在图像库中。本发明通过矢量数字化进行制作修复藏族图像，矢量数字化流程制作是一种深入浅出的技术，可以传授和转移的技术，方便吸引年轻人才、新兴文化数字化人才、西藏本土人才加入藏文化数字化工作。

摘要： 本实用新型是一种基于藏文句子级别的藏文论文复制检测系统，包括可访问因特网的客户终端，通过因特网连接所述客户终端的服务器中的藏文论文复制检测装置，以及连接到所述服务器存储的藏文论文的数据库；所述装置包括：从藏文论文的数据库提取待检测藏文论文文本字符做编码转换及去除噪音的通过因特网连接到所述客户终端的服务器中预处理模块；预处理模与基于藏文句子边界识别藏文论文文本并按句子分成文本块，构建文本块分词的分词临时表模块连接；分词临时表模块与在句子‑文档倒排索引表和文本块分词的临时表中得到句子文本特征的特征提取模块连接；特征提取模块与用邻接表获得文本块相似值来检测两篇藏文论文存在复制数据的复制检测模块连接。