消除重復(fù)藏文網(wǎng)頁的完整解決方案(圖文)_第1頁
已閱讀1頁,還剩3頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、消除重復(fù)藏文網(wǎng)頁的完整解決方案消除重復(fù)藏文網(wǎng)頁的完整解決方案(圖文圖文)2藏語及藏語編碼2.1藏語特點藏文共有30個輔音字母,4個元音符號,有自身一套嚴(yán)格而完整的字母組合排列規(guī)則。藏文除了進(jìn)行橫向拼寫外,同時還進(jìn)行縱向拼寫,即前加字、基字(字元)、后加字、再后加字進(jìn)行橫向拼寫,字元本身還可以是基字與上加字、下加字、元音的縱向拼寫。音節(jié)連寫時中間用點隔開,將兩點之間的部分稱為音節(jié)。音節(jié)中的縱向單位叫字丁,一個音節(jié)至少1個字丁,最多4個字丁

2、,即最多7個成分(基字、上加字、下加字、前加字、后加字、又后加字,元音)構(gòu)成,7個成分中除基字外,其它成分少一個或幾個仍然可以成音節(jié)。字丁是音節(jié)的基本單位,音節(jié)是語音結(jié)構(gòu)的基本單位,詞匯有音節(jié)構(gòu)成,按照一定的語法結(jié)構(gòu)構(gòu)成句子[1]。(例如圖一)藏文的字符可以通過疊加組合為新的字形,其變化形式異常復(fù)雜,所以從信息處理的角度而言藏文屬于復(fù)雜文字的范疇。論文參考。2.2藏語編碼特點藏語編碼千差萬別,從區(qū)域上大體分為兩類:國內(nèi)編碼和國際編碼。國

3、內(nèi)有方正DOS編碼(以制定者的名字稱呼其編碼主要是因為同樣使用GBK編碼的藏文編碼不止一家,并且字符碼位分布迥然不同,因此本文中國內(nèi)藏文編碼就以制定者的名字加編碼二字稱呼),方正Windows編碼,華光DOS編碼,華光Windows編碼,同元編碼等[357];國際編碼如Unicode基本集編碼,Unicode基本集編碼和基本集擴(kuò)充集A,ISOIEC106461編碼[8]華光編碼尚未分析過。就一個藏文音節(jié)來分析,采用同元編碼時需要8個字節(jié)

4、;采用方正Windows編碼時需要8個字節(jié);采用Unicode編碼時需要14個字節(jié)。存儲上的差別在當(dāng)前相對廉價的硬件資源當(dāng)中,尚不能產(chǎn)生制約。但是編碼不統(tǒng)一,就根本無法進(jìn)行消重檢測。3重復(fù)頁面消除消除重復(fù)頁面的一般步驟是:頁面特征提??;相似度計算;根據(jù)閥值消除重復(fù)[2]。3.1頁面特征提取Shingle算法[2]頁面特征提取為算法當(dāng)中的經(jīng)典算法,Shingle在英語里有層層疊放的瓦片的意思,該算法正如其名,下面使用例子來加以說明。例如:

5、藏文已有近一千四百年的歷史,用藏文記載的經(jīng)典文獻(xiàn)、古籍著述和譯作浩如煙海。以5個漢字為一個Shingle粒度,使用該算法處理后,結(jié)果如圖二,正如層層疊放的瓦片。但是藏文Shingle粒度的選擇及粒度的最小單位都沒有人提出。藏文也是拼音文字,是由元音、輔音字符按照書寫順序依次寫出,與英語很類似但與漢語幾乎完全不同,編碼也是這樣。因此通過統(tǒng)計和實驗獲知,Shingle粒度的最小單位應(yīng)該為音節(jié),藏語音節(jié)是由音節(jié)點劃分出來的,易于劃分,并且藏語

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論