Дэлгэрэнгүй мэдээлэл

TTD-MPC2 зэрэг бататгах сургалтын (Reinforcement Learning) агентууд нь детерминистик далд ертөнцийн загваруудыг (Deterministic Latent World Models) ашиглан төсөөлөлт замнал дээр төлөвлөлт хийх замаар өндөр тооцооллын үр ашигтайгаар оновчтой өгөөжид хүрдэг. Гэвч эдгээр загвар нь институцийн хөрөнгө оруулалтын эрсдэлийн гол хэмжүүр болох ”Хамгийн их бууралт” (Maximum Drawdown - MaxDD) буюу сүүлний эрсдэлд (Tail Risk) хэрхэн нөлөөлдөг талаарх асуулт тодорхойгүй хэвээр байна. Бид бодит болон төсөөлөлт MaxDD-ийн зөрүүг хэмжих ”Уналтын таамаглалын зөрүү” (Drawdown Planning Gap - DPG) хэмээх инвазив бус оношилгооны аргыг танилцуулж байна. Энэхүү арга нь шагналд төвлөрсөн уламжлалт аргуудаас ялгаатай нь сүүлний эрсдэлийг шууд оношлох боломжийг олгодог. Санхүүгийн урт хугацааны өгөгдөл дээр хийсэн бидний туршилтаар төлөвлөлтийн хугацаа уртсах тусам DPG монотон байдлаар өсөж, 5–10 алхамт төсөөллийн үед системтэйгээр эерэг утгатай болж байгааг тогтоолоо. Төлөвлөлтийн хугацааг нэмэгдүүлэх нь өгөөжид статистикийн хувьд ач холбогдолтой ахиц гаргалгүйгээр тооцооллын зардлыг огцом өсгөж, MaxDD болон калмарын харьцаа зэрэг эрсдэлийн үзүүлэлтүүдийг дордуулж байна. Мөн MPPI түүврийн тоог өөрчлөх үед калмарын харьцаа болон DPG үзүүлэлтүүд тогтвортой сайжрахгүй байгаа нь энэхүү эрсдэлийн ”Сохор цэг” нь түүвэрлэлтийн санамсаргүй хэлбэлзлээс бус, харин загварын бүтцийн гажуудлаас (structural model bias) үүдэлтэйг нотолж буй явдал юм. Тэгхээр энэхүү DPG аргыг детерминистик далд ертөнцийн загварууд дахь сүүлний эрсдэлийн дутуу үнэлэлтийг илрүүлж, эрсдэлийг хянаж тохируулах практик ач холбогдол хэрэгсэл гэж үзэж байна.

Энэхүү судалгааны зорилго нь Таншаны таамаглалын нарийвчлалыг сайжруулж буй ч эдгээр нүүрсний үнийн 2017–2025 оны хугацааны цуваанд (2017– аргуудыг ижил нөхцөлд системтэйгээр харьцуулсан 2024 сургалт, 2025 тест) тулгуурлан уламжлалт статистик, судалгаа хомс хэвээр байна. Гүн сургалтын дарааллын загвар болон decomposition-based Хэдийгээр нүүрсний үнийн хэлбэлзэл нь олон төрлийн hybrid, ensemble аргачлалуудын таамаглалын гүйцэтгэлийг гадаад хүчин зүйлсийн нөлөөнд оршдог боловч энэхүү харьцуулан үнэлэхэд оршино. судалгаа нь зөвхөн үнийн хугацааны цуваанд тулгуурласан Үнийн өгөгдлийг VMD болон CEEMDAN аргаар задлан загварчлалд төвлөрч, decomposition-based hybrid болон бүрэлдэхүүн хэсгүүдэд хувааж, тус бүрд нь LSTM, GRU, ensemble аргачлалуудын гүйцэтгэлийг харьцуулан үнэлэхэд CNN-LSTM, DeepTCN загваруудыг ашиглан hybrid чиглэж байна. Иймээс нүүрсний үнийн олон давтамжтай, загваруудыг байгуулж, эцсийн прогнозыг Stacking Ensemble шугаман бус динамикийг илүү нарийвчлалтай загварчлах аргаар нэгтгэн гаргав. зорилгоор эдгээр хандлагуудыг нэг хүрээнд авч үзсэн нь Загваруудын гүйцэтгэлийг MAE, RMSE, MAPE болон R² онолын болон практик ач холбогдолтой юм. үзүүлэлтээр үнэлэхэд decomposition-based hybrid болон ensemble хандлагууд нь нүүрсний үнийн олон давтамжтай, II. ИЖИЛ ТӨСТЭЙ СУДАЛГАА шугаман бус хэлбэлзлийг илүү нарийвчлалтай тусгаж, дан гүн сургалтын болон уламжлалт статистик загваруудаас1 нь нүүрсний үнийн олон алхамт илүү өндөр гүйцэтгэл үзүүлсэн. таамаглалд LSTM болон DNN-ийн хосолсон загвар хэрхэн Ялангуяа Stacking Ensemble загвар нь хамгийн бага алдаа ажилладагийг туршсан. Судалгаанд олон улсын дулааны (RMSE=9.98, MAE=7.23, MAPE=1.80%) болон хамгийн нүүрсний (API2, Newcastle) 10–15 жилийн сарын үнийн өндөр тайлбарлах чадвар (R²=0.83)-ыг үзүүлж, LSTM өгөгдлийг ашиглаж, LSTM–DNN загварыг MLP, SVM болон загвартай харьцуулахад RMSE-ийг ойролцоогоор 20%-иар уламжлалт ARIMA төрлийн загваруудтай харьцуулжээ. Үр бууруулсан байна. дүнгээр гүн сургалтын дарааллын загварууд (ялангуяа Судалгааны үр дүн нь нүүрсний үнийн таамаглалд LSTM) нь RMSE, MAE зэрэг гол хэмжүүрүүдээр статистик decomposition болон ensemble аргачлалуудыг хослуулсан загваруудаас илүү гүйцэтгэлтэй байж, нүүрсний үнийн загварууд илүү нарийвчлалтай, тогтвортой таамаглал гаргах уртын хамаарлыг илүү сайн барьж чаддагийг баталсан. Энэ боломжтойг харуулж байна. судалгаа нь нүүрсний үнийн шугаман бус, олон давтамжтай

Abstract This paper introduces a part-of-speech and syntactically annotated dataset for modern Mongolian. The dataset is a fully annotated corpus of modern Mongolian texts written in Mongolian Cyrillic. The texts were collected from diverse sources, segmented into sentences, and annotated using language-processing tools and annotation guidelines. The corpus contains 80,757 tokens and 6,099 sentences, with part-of-speech tags and syntactic-level annotations of syntactic form and grammatical function. In language education, the recognition and annotation of Mongolian syntactic structures are still carried out manually using traditional methods. In Mongolian, morphological forms, grammatical relations, and lexical semantics play an important role in determining sentence structure, constituent order, and head–dependent relations. Therefore, fine-grained part-of-speech identification is essential. For this reason, we defined and used 22 high-level part-of-speech tag types, 18 syntactic-level tag types, including 6 sentence-member (constituent function) tag types.

Mongolia’s higher education system is undergoing rapid transformation, shaped by the dual imperatives of internationalization and employability. Yet, many students from middle-income herder families, single-parent households, and physically talented scholarship recipients face financial and structural challenges that undermine their academic success. The current university assessment system remains misaligned with the realities of this diverse student population. Furthermore, it is widely believed that students experience heightened stress when term exams begin, but this study also investigates whether teachers themselves worry about their students’ performance. This dual perspective highlights the relational pressures of assessment, in which both learners and educators are caught up in the demands of institutional expectations. Drawing on analyses of rising tuition, housing, and food costs in Ulaanbaatar, alongside broader social pressures such as family instability, the paper examines how economic hardship intersects with academic stress to shape student well-being. It situates these challenges within the ethical responsibilities of teachers and institutions, critiquing deficit-based grading frameworks that fail to account for resilience and lived realities. To restore fairness and credibility in education, the paper advocates for an AI-powered assessment tool that enhances transparency and provides flexible exam preparation periods for students facing sensitive circumstances.

Бакалаврын судалгааны ажил нь оюутны их сургуулийн боловсролын чанарыг илэрхийлж, эзэмшсэн мэдлэг, чадварыг бодит ажилд хэрэгжүүлэх чухал шалгуур болдог. Гэвч олон оюутан бакалаврын судалгааны ажлаа хугацаанд нь гүйцэтгэж чадалгүй, хангалтгүй үнэлгээ авч байгаа нь судалгааны үйл явцад нөлөөлж буй хүчин зүйлсийг судлах шаардлагыг бий болгож байна. Энэхүү судалгаанд 2023-2024 оны Монгол Улсын Их Сургуулийн Мэдээллийн Технологийн чиглэлийн дөрвөн хөтөлбөрөөр суралцаж буй оюутнуудын бакалаврын судалгааны ажлын өгөгдөл, суралцсан хугацааны хичээлийн дүнгийн өгөгдөл зэргийг цуглуулан боловсруулж өгөгдлийн багцыг (нийт 302 оюутан) бүрдүүлсэн. Бакалаврын судалгааны ажилд нөлөөлж буй хүчин зүйлсийг тодорхойлохдоо уламжлалт статистикийн шинжилгээ (корреляцийн шинжилгээ) болон өндөр үнэлгээ авах магадлалыг таамаглах зорилгоор машин сургалтын Random Forest аргыг ашиглав. Үр дүнгээс харахад БСА-ын гүйцэтгэлд мэргэжлийн хичээлийн дүн, сэдвийн сонголт зэрэг нь тодорхой нөлөөтэй байгаа бол багшийн нөлөө харьцангуй бага гэж тодорхойлогдлоо. Мөн таамаглалын загвар нь 74%-ийн үнэн зөв, 0.78-ийн F1-score үзүүлсэн нь Random Forest аргыг БСА-ын амжилттай гүйцэтгэлийг урьдчилан таамаглахад үр дүнтэй хэрэгсэл болохыг харуулж байна.

Бакалаврын судалгааны ажил нь оюутны их сургуулийн боловсролыг дүгнэх, эзэмшсэн мэдлэг чадварыг бодитоор хэрэгжүүлэх чухал судалгааны бүтээл юм. Энэ нь оюутанд мэргэжлийн мэдлэгийг гүнзгийрүүлэх, чадварыг бататгах, судалгаа шинжилгээний арга барилд суралцах, бие даан ажиллах, асуудлыг шинжлэх, дүгнэлт гаргах чадварыг хөгжүүлэх боломж олгодог. Сайн боловсруулсан бүтээл нь нь карьер эхлүүлэх, ахисан түвшинд судалгаагаа үргэлжлүүлэх гол түлхүүр болно. Харамсалтай нь олон тооны оюутнууд судалгааны ажлаа хугацаандаа дуусгадаггүй, эсвэл дутуу хэрэгжүүлснээр хангалттай дүн авч чаддаггүй байна. Оюутнууд судалгааны ажлын явцад сэдэв сонголт, эзэмшсэн мэдлэгийн хүрээ, судалгааны арга зүй, цагийн зохион байгуулалт зэрэг олон төрлийн бэрхшээлтэй тулгардаг. Тиймээс энэхүү судалгаанд бакалаврын судалгааны ажлын гүйцэтгэлд нөлөөлөх хүчин зүйлсийг машин сургалтын бүлэглэх арга болон энгийн статистикийн шинжилгээний аргыг ашиглан тодорхойлон тайлбарлахыг зорилоо. Энэхүү судалгаанд 2023-2024 оны Монгол Улсын Их Сургуулийн Мэдээллийн Технологийн чиглэлийн дөрвөн хөтөлбөрөөр суралцаж буй оюутнуудын бакалаврын судалгааны ажлын өгөгдөл, суралцсан хугацааны хичээлийн дүнгийн өгөгдөл зэргийг цуглуулан боловсруулж өгөгдлийн багцыг (нийт 267 оюутан) бүрдүүлсэн. Бакалаврын судалгааны ажилд нөлөөлж буй хүчин зүйлсийг тодорхойлохдоо уламжлалт статистикийн шинжилгээ (корреляцийн шинжилгээ) болон машин сургалтын бүлэглэх (clustering) аргыг ашигласан. Үр дүнгээс харахад БСА-ын гүйцэтгэлд мэргэжлийн хичээлийн дүн, явцын үнэлгээний дүн, сэдвийн сонголт зэрэг нь тодорхой нөлөөтэй байгаа бол багшийн нөлөө харьцангуй бага гэж тодорхойлогдлоо.

Элсэлтийн ерөнхий шалгалтын дүнг урьдчилан таамаглах нь шалгалтанд бэлтгэгчид болон шийдвэр гаргах түвшний байгуулагад үнэтэй мэдээлэл болдог. Судалганы ажлын зорилго нь ЕБС-ийн сурагчийн сурлагын дүн болон бусад хувийн өгөгдөлд тулгуурлан шалгалтын дүнг урьдчилан таамаглах боломжийг судлах юм. Ерөнхий боловсролын сургуулийн сүүлийн 3 жилийн сурлагын дүн, амьдрах орчны судалгаа, элсэлтийн ерөнхий шалгалтын дүнгээс тохирох онцлогийг тодорхойлж, хэд хэдэн регресс болон машин сургалтын техникийг ашигласан. Туршилтаар бидний боловсруулсан хамгийн сайн загвар нь 78.5 хувийн зөв таамагласан үр дүн үзүүлсэн.

Судалгааны ажлаар ажил олгогч болон ажил горилогчийн мэдээллийг ажлын зар болон анкетаас задлаж тухайн ажил олгогчид тохирох ажил горилогчийг олж санал болгох, нөгөө талаас ажил горилогчид хамгийн тохирох ажлын байрыг санал болгож чадах загварыг машин сургалт болон хайлтын алгоритмуудыг ашиглан бий болгох зорилго тавин ажиллалаа.

Энэхүү судалгааны ажлаар гүн сургалтын арга ашиглан нэг унц алтны үнэ НьюИоркийн арилжааны мөчлөг эхэлснээс хойш эхний 4 цагт өсөх, буурах, тогтмол төлөвт байх гэсэн гурван ангиллаар таамаглал дэвшүүлэх туршилт хийлээ. Сүүлийн 8 жилийн хугацааны нийт 2.8 сая минутын алтны үнийн тоон өгөгдлөөс онцлогуудыг ялган 1694 өдрийн мэдээллийг сургалтын өгөгдлөөр түүвэрлэн авсан. Загварын нууц давхаргын нейроны тоог бууруулахад загварын сургалтын болон баталгаажуулах түүврийн алдааны утгуудын зөрүү 0.02-оор буурч, загварын үнэлгээ сайжирсан. Судлаачийн үүсгэсэн алтны үнийн 3 ангиллыг 60 хувийн магадлалтай зөв таамагласан байна. Цаашид үнийн таамаглал дэвшүүлэх загварыг боловсронгуй болгосноор санхүүгийн эрсдэл, ашигт ажиллагаа зэрэг өргөн хэрэглээнд нэвтрүүлэх боломжтой юм.

The research aims to create a model using machine learning and search algorithms that can parse information from job postings, and applicant resumes to recommend suitable candidates to employers and the most suitable jobs to applicants.

Блокчэйн гэж юу болох, монгол улсад ямар түвшинд хөгжиж байгаа болон блокчэйн суурилсан гарааны бизнесийн туршлага.

Хуурамч диплом, гэрчилгээтэй холбоотой асуудал монголд төдийгүй олон улсад байнга үүсч байдаг. Харин цахим шилжилтийн үед аливаа цахим баримт болон өгөгдлийг баталгаажуулах суурь технологи нь блокчэйн болоод байна. Монголын ИДС-ийн диплом, гэрчилгээг гадаад улсын ажил олгогч, их дээд сургуулиудад үнэн зөв эсэхийг баталгаажуулхад цаасан хүсэлт тухайн улс дахь элчин сайд, монгол улсын гадаад хэргийн яам, боловсролын яамаар дамжаад диплом олгосон их, дээд сургуульд ирж баталгаажаад уг дарааллаар буцдаг. Энэ нь цаг хугацааны хувьд 14-45 хоног, цаасан архив шалгах, шуудангийн зардал гээд олон хүндрэлийг дагуулдаг. Тэгвэл энэ хүндрэлийг байхгүй болгож дэлхийн хаанаас ч хормын дотор, нээлттэй, ямар ч зардалгүйгээр баталгаажуулж чадах блокчэйн шийдлийг энэ ажлаар санал болгож байна.

Цахим валютыг ашиглах нь улам бүр нэмэгдсээр төв банкнууд өөрсдийн цахим валютыг (Central Bank Digital Currency) гаргах боломжийг дэлхий даяар эрэлхийлж байна. Энэ ажлаар олон улсын төв банкуудын цахим валютуудын өнөөгийн байдал, ирээдүй хэтийн төлөв, туршлагыг судалж, орчны ялгаа, гол хөдөлгөгч хүчин зүйлсийг онцлов. Түүнчлэн CBDC-ийн технологийн шийдэл, систем архитектурын талаар практик ойлголтыг өгөхийн сацуу Монгол улсад хэрэглэж болох шийдлийг санал болгож байна.

Хуурамч диплом, гэрчилгээтэй холбоотой асуудал монголд төдийгүй олон улсад байнга үүсч байдаг. Харин цахим шилжилтийн үед аливаа цахим баримт болон өгөгдлийг баталгаажуулах суурь технологи нь блокчэйн болоод байна. Монголын ИДС-ийн диплом, гэрчилгээг гадаад улсын ажил олгогч, их дээд сургуулиудад үнэн зөв эсэхийг баталгаажуулхад цаасан хүсэлт тухайн улс дахь элчин сайд, монгол улсын гадаад хэргийн яам, боловсролын яамаар дамжаад диплом олгосон их, дээд сургуульд ирж баталгаажаад уг дарааллаар буцдаг. Энэ нь цаг хугацааны хувьд 14-45 хоног, цаасан архив шалгах, шуудангийн зардал гээд олон хүндрэлийг дагуулдаг. Тэгвэл энэ хүндрэлийг байхгүй болгож дэлхийн хаанаас ч хормын дотор, нээлттэй, ямар ч зардалгүйгээр баталгаажуулж чадах блокчэйн шийдлийг энэ ажлаар санал болгож байна.

Энэхүү судалгааны ажлын хүрээнд бид машин сургалтын аргад суурилан бүтээсэн монгол хэл боловсруулалтын хэрэглүүрүүд болон нээлттэй эхийн программуудыг ашиглан сурах бичгийн нэг ангийн (монгол хэлний 5 дугаар анги) өгөгдлийг боловсруулж, үеийн давтамж, үгийн сангийн давтамж болон үгийн аймгийн хэрэглээ, хэлзүйн хувилал, өгүүлбэрийн бүтэц, хэв шинжийн давтамж зэрэг цогц тоон шинжилгээ хийж, үр дүнг танилцуулахыг зорьсон болно. Сурах бичгийн өгөгдлийн шинжилгээ нь түүний агуулга, стандарт, сургалтын хөтөлбөрийн удирдамж боловсруулах болон анги дэвших бүрд агуулга, үгийн сан, хэл найруулгын талаас ямар ахиц дэвшил гарч байгааг тогтоох зэрэгт чухал ач холбогдолтой юм.

Goal of research work is to determine the most important features on predicting the grade of the General Entrance Exam (GEE). The features are high school student’s grade, personal information, and state exam results. We collected 96,827 high school students data and compared the F1 measures with different classification techniques such as decision tree, logistic regression, artificial neural network, and support vector machine. Among these techniques, the SVM provided the best F1 measure that is 0.70.

Asinformationflowintheelectroniconlineenvironmentisincreasing, the need for automated processing is increasing. Every minute, 456,000 tweets were written on Twitter. The data in the Mongolian language is already joined in that stream and created their own space since a long time ago. However, in the Mongolian language, there is a lack of research, language resources, and an implemented system by now. In this work, we tried to classify the document level sentiment polarity of Mongolian tweets based on the RNN method of deep learning. The model was tested at the 62,917 SemEval English data, the highest F1 score of 64.7.

As information flow in the electronic online environment is increasing, the need for automated processing is increasing. Every minute, 456,000 tweets were written on Twitter. The data in the Mongolian language is already joined in that stream and created their own space since a long time ago. Business and research organizations from the UK, US, China, Germany, France, Russia, Italy and Spain get decision helping data automatically of unlimited data streams by using sentiment analysis systems. However, in the Mongolian language, there is a lack of research, language resources, and an implemented system. In this work, we tried to classify the document level sentiment polarity of Mongolian tweets on the Twitter social network based on the RNN method of deep learning. The model was tested at the 62917 SemEval English data, the highest F1 score of 64.7.

As education becomes increasingly digital, all educational institutions are collecting a lot of data, including quarterly exams, homework scores, and student personal information. But all this information used to make the final result of the student whether to pass or fail the particular examination. If student data is analyzed timely then definitely it will help the student to improve their performance in academics. Now a day's educational system is not limited to any formal teaching within a classroom but it goes beyond that like online MOOC course, Web-based education system (WBS), an intelligent tutorial system (ITS), Project-based learning (PBL), webinar, Seminar, Workshops and many more. All these teaching methods make the education system more attractive and provide lots of knowledge and learning through a different source. If all these methods do not properly check and evaluate then it adversely affect the education system. So for making any education system to have a success, then a proper evaluation check should be maintained. The ML techniques are used to analyze the historical data of any organization by using an inbuilt algorithm, which further finds the hidden information from that data which is not possible to find manually. By periodically evaluating the student progress, timely help and support are provided to those students who are on the risk of failure or dropout, so that they can improve their performance in the future.

Тус өгүүллээр бид Twitter нийгмийн сүлжээнд монгол хэлээр бичигдсэн жиргээний сэтгэгдлийг (эерэг, сөрөг, саармаг г.м.) тодорхойлох гүн сургалтын LSTM загвар байгуулахыг зорилоо. Урьдчилан сургасан 300 хэмжээст Word Embedding матрицыг загварынхаа анхны жингээр өгч LSTM давхарга бүхий гүн сургалтын загвар тодорхойллоо. Уг загвараар 2509 өгөгдөлд сургаж, үр дүнг үнэлэхэд F1 оноо 66.9 болсон. Энэ нь олон улсын жишигтэй харьцуулахуйц үр дүн юм.

Өгүүллээр монгол хэлний "ижил үг" буюу бичлэг ижил ч утга нь өөр үгс өгүүлбэрт аль утгаараа орсныг графт суурилсан статистик аргаар тодорхойлохыг оролдлоо. Бид 1.6 сая орчим үгтэй гар тэмдэглэгээт хөмрөгөөс 440 мянга орчим оройтой утгын граф байгуулсан ба уг графаас туршилтын хөмрөгт орсон ижил үгсийн утгыг хайхад 55.4 хувь зөв тодорхойлсон. Энэ нь олон улсын жишигтэй харьцуулахуйц үр дүн юм.

Ярианы технологид үгийн дуудлагыг бичвэрээс нь гаргаж өгдөг дуудлагын хөрвүүлэг нь чухал үүрэгтэй. Энэ өгүүлэлд дүрэмд суурилсан аргад тулгуурлан хөгжүүлсэн бичвэрээс дуудлагад хөрвүүлэх хэрэгслийн алгоритм, хэрэгжүүлэлт болон туршилтын үр дүнг танилцуулав. Энэхүү ажлаар хийж буй бичвэрийг дуудлагад хөрвүүлэх хэрэгсэл нь ижил бичлэгтэй боловч өөр дуудлагатай үгс (омограф)- ийн дуудлагыг ялгах боломжтой ба мөн өвөрмөц буюу дүрмийн бус үгс, гадаад үгсийн дуудлагыг дуудлагын толь бичгээс авах боломжтойгоороо өмнөх ижил төстэй ажлуудаас ялгаатай, шинэлэг юм. Монгол хэлэнд өргөн хэрэглэгддэг үгсээс омограф үгсийг тоолох туршилт хийж нийт 75 мянган үгсээс 92 омограф үг олсон.

Өгүүллээр монгол хэлний "ижил үг" буюу бичлэг ижил ч утга нь өөр үгс өгүүлбэрт аль утгаараа орсныг графт суурилсан статистик аргаар тодорхойлохыг оролдлоо. Бид 1.6 сая орчим үгтэй гар тэмдэглэгээт хөмрөгөөс 440 мянга орчим оройтой утгын граф байгуулсан ба уг графаас туршилтын хөмрөгт орсон ижил үгсийн утгыг хайхад 55.4 хувь зөв тодорхойлсон. Энэ нь олон улсын жишигтэй харьцуулахуйц үр дүн юм.

This paper presents a graph-based word sense disambiguation(WSD) method for Mongolian and its results. WSD automatically identifying the meaning of ambiguous words in context, is an important stage of text processing. The results indicate that the right combination of similarity metrics algorithms can lead to a performance comparable with the state-of-the-art in unsupervised word sense disambiguation, as measured on hand annotated sentences.

This paper presents a pioneering work on building a Named Entity Recognition (NER) system for the Mongolian language. While state-of-the-art NER methods have produced results close to human performance for well-studied languages, the approaches that work in, typically fare much worse when applied directly to languages such as Mongolian, with an agglutinative morphology and a subject-object -verb word order. Our work explores a fittest feature set from a wide range of features. As well as we tried to apply various existing machine learning methods and find optimal ensemble of classifiers based on genetic algorithm. The classifiers used different feature representations. The resulting system constitutes the first-ever usable software package for Mongolian NER, while our experimental evaluation will also serve as a much- needed basis of comparison for further research.

This paper presents a graph-based word sense disambiguation(WSD) method for Mongolian and its results. WSD automatically identifying the meaning of ambiguous words in context, is an important stage of text processing. The results indicate that the right combination of similarity metrics algorithms can lead to a performance comparable with the state-of-the-art in unsupervised word sense disambiguation, as measured on hand annotated sentences.

This paper presents a pioneering work on building a Named Entity Recognition system for the Mongolian language, with an agglutinative morphol- ogy and a subject-object-verb word order. Our work explores the fittest feature set from a wide range of features and a method that refines machine learning ap- proach using gazetteers with approximate string matching, in an effort for robust handling of out-of-vocabulary words. As well as we tried to apply various ex- isting machine learning methods and find optimal ensemble of classifiers based on genetic algorithm. The classifiers uses different feature representations. The resulting system constitutes the first-ever usable software package for Mongolian NER, while our experimental evaluation will also serve as a much-needed basis of comparison for further research.