基于多策略的维吾尔文网页识别方法

CORC > 新疆理化技术研究所 > 中国科学院新疆理化技术研究所 > 多语种信息技术研究室

	基于多策略的维吾尔文网页识别方法
	阿力木·木拉提 ; 艾孜尔古丽 ; 杨雅婷 ; 李晓
刊名	中文信息学报
	2017
卷号	31 期号:1 页码:133-139
关键词	维吾尔文网页识别 N-Gram方法常用词向量空间模型
中文摘要	经过对大量维吾尔文网站的调查与分析,该文从多语种混合网页中针对维吾尔文网页识别进行了研究,这对维吾尔语信息处理工作起着关键作用。首先该文探讨了维吾尔文不规范网页的字符编码转换规则及原理,以此对不规范维吾尔文字符进行了相应的处理,之后介绍了基于修改的N-Gram方法和基于维吾尔语常用词特征向量的两种方法,其中后者融合了维吾尔文常用候选词语料库及向量空间模型(Vector Space Model)。使用三种不同类型的维吾尔文网页文本作为本研究的数据集,在此基础上验证了该文提出的网页识别方法,以及采用不同的方法进行了网页识别的实验。实验结果表明,基于N-Gram的方法对正文较长的新闻或论坛网页的识别性能最佳,反而基于常用词特征向量的方法对短文本的网页识别性能优越N-Gram。所提方法对维吾尔文网页识别的整体性能达到90%以上,并验证了这两种方法的有效性。
收录类别	CSCD
CSCD记录号	CSCD:5949611
内容类型	期刊论文
源URL	[http://ir.xjipc.cas.cn/handle/365002/4741]
专题	新疆理化技术研究所_多语种信息技术研究室
作者单位	1.中国科学院新疆理化技术研究所 2.新疆民族语音语言信息处理重点实验室 3.中国科学院大学 4.新疆师范大学计算机科学技术学院
推荐引用方式 GB/T 7714	阿力木·木拉提,艾孜尔古丽,杨雅婷,等. 基于多策略的维吾尔文网页识别方法[J]. 中文信息学报,2017,31(1):133-139.
APA	阿力木·木拉提,艾孜尔古丽,杨雅婷,&李晓.(2017).基于多策略的维吾尔文网页识别方法.中文信息学报,31(1),133-139.
MLA	阿力木·木拉提,et al."基于多策略的维吾尔文网页识别方法".中文信息学报 31.1(2017):133-139.