基于Word2Vec的藏文文本语义预测分析研究

文章用GOOGLE开源的Word2Vec工具把藏文文本《贤者喜宴》经过分词后的语料作为输入,将文本中的词映射到一个K维空间,利用词汇的上下文信息将词转变为词向量.Word2Vec工具再通过学习得到一个向量模型,每一个词都用一个独特的词向量来表示.训练文本数据构造一个词表,然后学习词的向量表示.词向量能够捕获许多语言的规律,从而得出词与词之间的距离即相似度.进一步通过高频词汇作为输入,通过训练即可输出与高频词汇距离最近的词汇,以高频词和与其相近的词汇作为重要信息去预测文本的大致语义.实验结果表明基于Word2Vec训练模型的准确率和召回率都很高.     

藏文拉丁转写的概貌

由于计算机技术突飞猛进的发展,藏文拉丁转写标准的确立显得十分迫切,但是目前存在的藏文拉丁转写方案仍不完善,本文叙述了藏文的历史和特点,阐明了藏文拉丁转写的必要性与要求,分析了一些主流的藏文拉丁转写方案的特点．     

基于小字符集的藏文自动分词技术研究

文章针对传统藏文分词的切词难点及切分歧义现象,提出一种基于小字符集的藏文自动分词技术方案.其中包括分词预处理、多级Hash词典机制、藏文格助词紧缩格的判别及还原规则、逐字匹配算法和未登录词的处理等内容.     

多语言复杂文本布局引擎分析及应用

分析了微软多语言复杂文本布局引擎Uniscribe的主要工作机制,说明了Uniscribe主要接口函数的功能及用法.基于Uniscribe接口实现了支持Unicode编码和OpenType字体的蒙古文竖向文本编辑器,解决了其中的一些技术难题.     

基于预训练模型和图神经网络的藏文文本分类研究

在少数民族语言信息处理领域，由于文本分类标注数据的稀缺，相关研究工作进展缓慢.为了充分利用有限的标注数据，更有效地挖掘出文本之间的关系，本文对藏文提出一种基于预训练模型和图卷积神经网络的长文本分类方法CINO-GCN.首先利用在实验数据集上经过微调的少数民族多语言预训练模型(Chinese Minority Pretrained Language Model, CINO)得到藏文长文本的初始文档向量和藏文音节向量.然后根据整个数据集范围的音节共现关系与音节和文档间的TF-IDF值来对藏文文本图进行建模.最后将文本图和结点特征一同输入至图卷积神经网络(graph convolutional networks, GCN)层，得到的文档表示经过Softmax得到分类结果.将该方法在公开的TNCC藏文新闻文本分类数据集上与当前几种主流的深度学习模型进行了多组对比实验，分类准确率达到73.51%,远优于其他基线模型；同时设计了消融实验验证模型各部分对分类结果的增益.实验结果表明，该文提出的模型能够结合预训练词向量和图神经网络的优势，显著提高藏文文本分类的准确率.     

古藏文文献中的Khrom（■）字新解

关于古藏文khrom字的内涵,学界已有丰富的研究成果，但介于有新材料的发现，该词汇有进一步探讨的必要。文章借助《吐蕃兵律》对该词汇做了详细解读，认为该词最原始的含义为“军营”“行军营”。随着吐蕃社会发展，军事活动日益展开，该词的外延不断扩大，尤其在统治敦煌及其后一段时期内，随着与当地人及其他民族间密切的交往交流，使得khrom在这段历史时期内最终演变为“在军事占领区具有行政权和军事权的一级军政合一的统治机构”。     

一种基于汉字结构的文本信息隐藏方法

信息隐藏技术是信息安全领域的一个研究热点，它利用载体信息的冗余特性，将 秘密信息嵌入到载体中以实现信息的秘密传输.分析了汉字的基本特征，提出了一种基于汉字结构类型和笔画,通过改变汉字的字体来实现信息隐藏的方法，经实验证明该方法具有较好的安全性.