基于大规模网络语料的藏文音节拼写错误统计与分析

• 作者: 刘汇丹 吴健 洪锦玲 诺明花
• 来源期刊: 中文信息学报
• 学科: 工学
• 关键词: 藏文拼写检查 拼写检查 语料 统计 藏文信息处理 中文信息处理
• 年，卷（期）: 2017,（2）
• 所属期刊栏目: 少数民族语言信息处理
• 页码范围: 61-70
• 页数: 10页
• 分类号: TP391
• 字数: 4935字
• 语种: 中文

摘要

针对从互联网获取的一份包含19万藏文网页,总计427万句、9 328万音节字的藏文文本语料,该文按照预定的规则对其中的藏文音节拼写错误情况进行了统计与分析.数据显示,在语料中出现的共计20 743个藏文音节中,合有拼写错误的音节共有9 700个,占藏文音节总数的46.762 8％,错误音节在语料中共出现27 427次,仅占0.030 8％,说明这份语料的文本质量是相当高的.文中还详细统计了各种不同表现形式的错误音节所占比重,并分析了导致拼写错误的四个主要原因:一是输入了多余的元音符号;二是音节点或句尾空格缺失;三是同一字丁/字符存在多种表达形式;四是错误地使用了相似字符.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘汇丹	中国科学院软件研究所	17	85	5.0	8.0
2	诺明花	中国科学院软件研究所	8	71	4.0	8.0
3	吴健	中国科学院软件研究所	60	513	11.0	20.0
4	洪锦玲	中国科学院软件研究所	3	22	2.0	3.0