通过自然语言技术，本论文的主要目标是使梵语手稿更便于最终用户使用。梵语的形态丰富、合成、词序自由和资源匮乏性为开发深度学习解决方案带来了重大挑战。论文针对四个基础任务，即词分割、依存分析、合成类型识别和诗歌分析，提出了有关梵语自然语言处理（NLP）技术的关键问题，并在解决这些挑战的过程中提出了多项贡献，包括提出了具有语言学信息的神经网络体系结构、展示了所提系统的可解释性和多语言扩展性、报道了最先进的性能以及开发了名为 SanskritShala 的神经工具套件。

Aug, 2023

SanskritShala 是一个基于神经网络的梵语自然语言处理工具包，包括词语切分、形态标注、依存解析、复合词类型识别等多个模块，并且具有易于使用的交互式数据注释功能，公开发布其源代码和 7 个词嵌入模型，能够对词嵌入的内在特性如相似度、相关性、分类以及类比预测进行评估，是一个具有网络接口的全新工具包。

Feb, 2023

我们发布了一个数据集，包含超过 42,000 个英汉平行句子，旨在填补现有涵盖当代修辞体的数字梵语语料库的空白。此外，我们还发布了来自现代语料库和包含梵语的以前发布的古典时代机器翻译数据集的训练样本，以适应现有的多语言预训练模型。

May, 2023

通过提出一个可解释性框架的路线图，本文探索了梵文诗歌与计算语言学的交集，以分析和分类精美梵文诗歌的特质和特点。通过从六个重要的 kavyashastra 学派的角度对梵文诗歌 Siksastaka 进行深入分析，提供了诗歌分析和注释的网页应用，为未来研究做出了贡献。

Aug, 2023

本文探讨了如何使用印度哲学的思想来开发一种语言技术工具，实现单词的‘Yogyatā’，从而进行词义消歧以提升口头认识，在此过程中使用了 'ontological tag-set' 标签集合等方法。

Jan, 2022

在这篇文章中，我们描述了我们参加的梵语单词分割和形态分析比赛，并提出了一个基于序列标注来预测分割操作的单词分割方法和一个基于形态标记预测转换规则来进行形态分析的方法，同时提出了一种用于联合分割和形态分析的端到端可训练的流水线模型，在联合分割和分析子任务中取得了最好的成绩（80.018 F1 score），在单独的子任务中表现第二好（分割：96.189 F1 score / 分析：69.180 F1 score）。最后，我们分析了模型的错误并就数据和评估提出了未来的研究和可能的改进。

Jan, 2022

使用 n-aksaras 将梵文文本进行分词，使得在文本分析中无需解决 sandhi 等问题，测试结果显示可以跨越十个世纪和九种语言进行文本重用模式的分析，并对佛教评论实践的一些初步观察进行了讨论。

Jan, 2023

本文首先介绍了近年来有关监督学习的显著进展，引起了梵语计算语言学家的广泛关注。随后，作者为低资源环境下各种自然语言处理任务构建了具有特定任务标签的数据。接下来，作者以词嵌入为主要研究方向进行了分析，分类和评估。研究检验了词嵌入方法在梵语中的可用性以及该语言所面临的各种挑战。

Apr, 2021

通过自动构建知识图谱的框架、引入本体驱动和通用任务的注释工具，以及提供多样化的网页界面、工具和软件库，我们在梵语的知识系统发展中解决了挑战与机遇，尤其在问答方面。这些贡献不仅提高了梵语文本分析的可访问性和准确性，而且为知识表达和语言处理领域的进一步发展铺平了道路。最终，这项研究对于保护、理解和利用梵语文本中所蕴含的丰富语言信息具有重要意义。

Jun, 2024

本文对梵语 ASR 进行了首次大规模研究，研究了单元选择对梵语 ASR 的影响，并发布了 78 小时的梵语 ASR 数据集，研究不同声学模型和语言模型单元在 ASR 系统中的角色，提出了一个新的模型单元，并强调选择语文文字表示对词错误率的影响。

Jun, 2021