甘德县“德尔文部落”煨桑仪式的田野考察

青海省果洛甘德县有一个格萨尔艺人辈出的德尔文部落,他们自称是格萨尔王的后裔,且认为格萨尔王是莲花生大师的转世、佛教三怙主的代表。因此,整个部落信仰格萨尔王。每年藏历六月去神山煨桑烟祭是部落生活的重中之重,他们通过公共煨桑仪式供养佛、菩萨、格萨尔王、护法神、战神、地方神和土地神等,祈祷佛法兴盛、世界和平、社会和谐、人们幸福等。文章在实地田野作业的基础上,就德尔文部落的基本情况、祖先传说、煨桑仪式的原由、时间、参加人员、祭祀地点和神灵系统、煨桑仪式过程以及仪式完毕后的各项娱乐活动做了民俗志的描述,认为这种集体煨桑仪式是承载了德尔文部落神圣信仰的宗教行为,部落的历史记忆则通过赛马、射箭、说唱《格萨尔》等活动得以传承,这一集体仪式也加强了部落内部的凝聚力和认同感。     

基于朴素贝叶斯算法的藏文垃圾短信过滤初探

近年来藏文移动终端的研发和推广工作蓬勃发展,对藏文化的发展产生了深远的影响,但同时也给信息安全带来了巨大挑战.文章分析了藏文移动终端、藏文手机输入法和藏文垃圾短信过滤现状,探讨了朴素贝叶斯算法在垃圾短信过滤中的应用,最后提出了基于朴素贝叶斯算法的藏文垃圾短信过滤的相关问题,并研究了相关关键技术.     

基于混合策略的藏文句子边界识别

藏文句子边界识别作为藏文信息处理研究领域中的一项重要工作,在词法分析、句法分析、语义分析和机器翻译等领域都具有广泛的应用.在分析藏语句子的概念、分类和边界特征的基础上,提出一种基于混合策略的藏文句子边界识别方法.经实验模型在测试数据集上的F值达99.25%.     

编码规则下的大面积多样化无缝纹理生成研究

通过纹理处理技术来弥补图形绘制上的不足,是解决仿真场景中三维对象表面真实感的有效手段。在实际仿真场景中大面积纹理都是采用重复贴图技术,若需实现纹理多样化,需要美工手工制作,耗费大量时间和人力。提出了一种基于编码的大面积多样化纹理生成的方法,通过对源纹理图定义编码规则产生多个样图实例,在编码约束下根据场景需要可以随机无缝拼接成大面积的纹理贴图。为了增加拼接而成的纹理多样性,我们根据每个样图实例的编码规则在该样图中随机撒点拟合成噪声区域,再基于噪声区域进行该样图实例与噪声纹理的合成,使所产生的样图实例形态各异。     

加强草地生态保护，实施“生态立县”战略

草地是具有生态，经济功能和价值的自然资源。草地的天然牧草通过家畜转化．可为人类提供乳、肉、皮、毛等廉价的畜产品。从而使草地畜牧业成为牧区经济和牧民赖以生存和发展的支柱产业，草地作为陆地最大的生态系统．具有涵养水源、调节气候、防风固沙、美化环境、净化空气等生态功能．对维护生态平衡、维系生物多样性、保护人类生存环境发挥着巨大的作用．与此同时．草地的自然景观和区域人文景观还具有重要的开发利用价值。因此．加强草地生态环境的保护和建设．不仅是经济发展的需要．而且对于提高人类的生存质量有着重要的意义。果洛牧区草地破坏严重．     

基于混合模式的藏文音节切分

通过藏文格助词的接续、结构以及上下文特征,提出基于规则、支持向量机、还原法等三层混合模式的藏文音节切分方法.藏文音节切分是藏文字频统计、分词、词性标注和机器翻译等研究领域的基础,其中藏文紧缩格歧义现象的正确识别、切分和还原是藏文音节切分的难点.经实验,混合模式藏文音节切分的F值为99.97%.     

青藏高原集贸市场的发展与各民族交往交流交融——以拉萨市冲赛康市场为例

位于西藏自治区拉萨市城关区的冲赛康市场是青藏高原各民族交往交流交融的典型场域和缩影。基于对冲赛康市场的田野调查和文献分析,文章梳理了拉萨市冲赛康市场的形成,说明了其形成与发展不仅伴随着拉萨市城市和商业的发展,也记录着中华各民族文化兼容并蓄、经济相互依存、情感相互亲近的历史与现实。拉萨市冲赛康市场在促进地方经济繁荣发展的同时,加深了各民族的文化融合与认同,成为各民族国家认同的载体,推动了各民族在空间、文化、经济、社会、心理等方面的全方位嵌入,体现了民族地区集贸市场发展对铸牢中华民族共同体意识的积极作用,为铸牢中华民族共同体意识和建设中华民族共有精神家园提供了民族地区的有益经验和实践。     

融合音节部件特征的藏文命名实体识别方法

藏文命名实体识别是藏语自然语言处理的基础任务，是完成机器翻译、网络舆情检测和知识图谱构建等任务的前提.传统的基于深度学习的藏文命名实体识别将藏文音节(字嵌入)作为模型输入的方法容易忽略藏文音节的局部特征.针对这一问题，本文提出了一种融合构成藏文音节部件特征和藏文音节特征的藏文命名实体识别神经网络模型SL-BiLSTM-CRF(syllable level long short-term memory conditional random field).其中，SL模块对构成音节的部件信息和藏文的单个音节进行特征编码，将两种不同模态的特征融合之后送入BiLSTM模型进行特征提取并预测实体标签，再通过CRF对BiLSTM模型的预测结果进行矫正，最终输出藏文实体识别结果.实验证明，该方法在藏文命名实体识别任务中相比基于单个藏文音节(字嵌入)的BiLSTM-CRF模型的F₁值提高了1.58个百分点，验证了该方法在藏文命名实体识别任务中的有效性.