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

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

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

通过构建一个知识图谱以及应用该图谱回答事实型问题，本文探讨了从梵语文本中提取特定关系的难题，分析了系统在每个步骤中的不足之处，并讨论了未来的可能发展方向。

Oct, 2023

本文描述了手动注释梵文文本，为知识图创建做出了努力。构建的知识图包含 410 个实体和 764 个关系，涵盖了 Bhavaprakashanighantu 的各种属性。

Feb, 2022

本文提出了一个自然语言处理管道来获得来自《Mahabharata》的一些统计和计算洞察以及最相关的单词搜索方法，示意堆叠不同的文本处理方法以阐明最佳结果。

May, 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

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

我们开发了一种定量方法来评估美国诗歌的风格，并将诗集可视化以相互关联。我们通过定性诗歌评论指导我们开发了分析各种拼字、句法和音素特征的度量标准，这些特征用于从诗歌的多层潜在结构中发现全面的风格信息，并计算诗歌之间的距离。可视化提供了对分析组件的便捷访问。我们在几个诗歌集上展示了我们的方法，显示出它比传统的词出现特征在典型文本分析算法中使用的方法更好地描绘了诗歌风格。我们的方法在学术研究文本、对诗歌的直观个人反应的研究以及根据读者喜爱的诗歌进行推荐方面具有潜在的应用。

Oct, 2023

本文介绍了一个基于多任务学习的新架构，该架构通过引入形态标记和依存句法分析作为两个辅助任务来整合语境信息并增强补充句法信息，从而解决了在组合词中识别语义关系的问题，并在 SaCTI 基准数据集上取得了 6.1 分（准确率）和 7.7 分（F1 分数）的绝对增益，同时在英语和马拉地语中展示了其有效性。

Aug, 2022