使用 n-aksara 建模梵语及近梵语文本

尽管——或许正因为——其简单性，n元文法（即连续的词符序列）自20世纪末引入以来在计算语言学中取得了巨大成功。重述为k-mer（即连续的单体序列）后，它们也在计算生物学中找到了应用。当应用于文本分析时，n元文法通常采取词序列的形式。但如果我们试图将此模型应用于梵语文本分析，则面临艰巨任务：首先需解析sandhi以将短语切分为词，其次需将长复合词拆分为其组成成分。本文提出一种更简单的梵语文本n元文法分词方法，即使用n-aksara（即连续的aksara序列）。该模型减少了对sandhi解析的需求，使其在原始文本上更易于使用。该模型亦可用于近梵语文本，例如某梵语文本的泰米尔语注释。作为测试用例，Amarakosa 1.0.1的注释被建模为n-aksara，展示了跨越十个世纪与九种语言的文本复用模式。并就佛教注释实践作出了一些初步观察。