意识到“也许”的对话版本吗？ 以编程方式检测错误

你好。
我是Mandai，负责Wild 开发团队。

谈话中，说错话和误解是很常见的事情。
这取决于气氛和情况，但我不认为这是一件坏事，因为通常有一些元素可以让情况变得更轻松（尽管我可能清楚地记得错误）。

这次，我将介绍一些谷歌搜索中出现的算法，这些算法可能（或可能）可以实现“也许”。

 

目录

1. 编辑距离
2. 声学
3. 变音位
4. 其他相关文章

 

编辑距离

首先，编辑距离，量化字符之间的距离。

编辑距离 -根据

它是一种距离，显示两个字符串的差异程度。也称为编辑距离。

我们来看看小猫坐的距离，维基百科上也有介绍。

1. 小猫
2. 坐# k → s 替换
3. 坐# e → i 替换
4. 坐着#添加g

通过这三个步骤就可以从小猫转变为坐着，此时的编辑距离为3。
该操作次数被定义为字符之间的距离，并测量近似程度。

添加、删除、替换可以认为是对字符的操作，但由于替换可以认为是同时添加和插入的操作，所以也有观点认为替换的成本本来是2。
本例中的编辑距离为 5。

关于它有什么用处还存在一些疑问，但当我进一步阅读时，它似乎正在被应用于 DNA 研究。
确实，DNA是由四个字母AGCT的组合来表示的，所以粗略地说，Levenshtein距离可以用遗传紧密度来代替。

这个 Levenshtein 距离可以使用 PHP 轻松计算，并且有一个专用的标准函数。

echo levenshtein('kitten', 'sitting'); // 结果为 3 echo levenshtein('kitten', 'sitting', 1, 2, 1); // 如果替换成本为 2 // 结果为 5 echo levenshtein ('山田', '山口'); // 结果是 3

 嘎。好像不支持多字节字符。
由于我是在UTF8环境下执行的，所以汉字字符算作3个字节。因此，如果省略第二个参数及后续参数，则替换也算成本1，因此认为改变了3个字节。
让我们尝试插入另一个字符串，看看里面发生了什么。

echo bin2hex('mountain'); // e5b1b1 echo bin2hex('mouth'); // e58fa3 echo bin2hex('field'); // e794b0 echo bin2hex('bureau'); // e79480 'mouth' 和 lower 2只是数字不同 echo levenshtein('Yamada', 'Yamaguchi'); // 结果是 3 echo levenshtein('Yamada', 'Yamatsuke'); // 结果是 3

 
看起来多字节字符被识别为多字节字符，而不是按字节来查看，但是似乎最终转换的字符数是围绕strlen粗略检查的。

看起来实现起来还是比较容易的，而且我找到了一个有Python和Perl实现的页面，所以我就贴个链接吧。

编辑距离（Levenshtein 距离） - naoya 的 Hatena 日记

 

声学

Soundex 是一种与 Levenshtein 距离不同的算法，更容易检测到错误。
它似乎是专门为处理个人姓名而设计的。

维基百科没有任何日语文章，但有一个英文页面。 → Soundex - 维基百科

Soundex 分析您输入到称为 4 字符 soundex 键的字符串中的字符的发音。
我觉得无论字符串有多长都使用4个字符有点不合理......

PHP 也有一个标准函数，所以我想轻松执行它。
我准备了一些用片假名书写时相同的英语单词。

echo soundex('rock'); // 结果是 R200 echo soundex('lock'); // 结果是 L200 echo soundex('free'); // 结果是 F600 echo soundex('flea'); is F400 echo soundex('flee'); // 结果是 F400 echo soundex('aerosmith'); // 结果是 A625

 我根本不明白返回值，但我确实明白rock和lock之间的区别。
free和flea唯一的区别是第二个字母，flea和flee完全一样。

转换的详细规则惊人的多，所以衡量字符串的相似度（2）注重发音 |如果你参考Colorless Green Ideas中写的，如果结合soundex和Levenshtein distance，从发音的角度来看，似乎可以实现“也许”的功能。

Soundex也受到MySQL的支持，并提供了soundex函数。

MySQL :: MySQL 5.6 参考手册 :: 12.5 字符串函数 SOUNDEX(str)

MySQL 的 soundex 与 PHP 的输出略有不同，必须注意它不是固定为 4 个字符。

mysql> SELECT SOUNDEX('二次'); -> 'Q36324'

 soundex 函数不支持日语。
由于语言规范的原因，无法用同一个尺度来衡量，所以可能是自然的。

 

变音位

Metaphone 是由 Lawrence Philips 设计的一种算法，与 soundex 一样，它是一种根据发音输出称为 Metaphone 键的字符串的算法。
Soundex 通过按顺序查看字母来识别发音，但 Metaphone 已经定义了字母和发音的组合，并且似乎能够获得比 soundex 键更准确的数据。

变音位键仅由字母组成，不含元音。
变音位键由 16 个字符组成：“0BFHJKLMNPRSTWXY”。
0似乎代表th的音，似乎与单个的T和H区别开来。
作为例外，有一个规则，即仅当单词以元音开头时才添加元音，例如authentication。
另外，转换规则的组合比Soundex多很多，这就是为什么你可以获得比Soundex更准确的数据。

PHP 还有一个称为 Metaphone 的标准函数，所以让我们看一个示例。

echo metaphone('authentication'); // 结果是 A0NTKXN echo metaphone('supercalifragilisticexpialidocious'); // 著名的《欢乐满人间》 // 结果是 SPRKLFRJLSTSKSPLTSS

 
它们本质上与音标相似，它们将发音转换为字母，但音标用于正确发音，而变音位和 soundex 是发音中包含的声音的提取，因此您可以使用变音位键。光看单词就不知道如何发音。

通过获取多个单词的变音位键并测量 Levenshtein 距离，似乎可以获得比 soundex 更准确的近似程度。

与变音位相关的信息可以在这里找到： Lawrence Philips 的变音位算法（信息可能已过时，因为它有许多损坏的链接并且不再维护）。

还有一种称为双变音位算法的改进版本，它输出两种类型的键：主键和辅助键。
虽然处理字符串等基本规则似乎没有改变，但内部实现发生了很大变化，因此似乎无法比较变音位和双变音位之间的结果。

与双变音位相关的信息收集在PHP DoubleMetaPhone

由于 double metaphone 不是标准 PHP 函数，因此您需要从PECL::Package::doublemetaphone

 

联系

这是一个名为 Jazzy 的执行拼写检查的 Java API 的说明页面，开头有关于 soundex、metaphone 和 Levenshtein distance 的说明。
我很惊讶 soundex 拥有专利。

没有什么能比得上爵士乐

有些人使用这项技术研究了有趣的事情，所以我将发布他们的链接。
虽然是一篇研究论文，但内容比较坦白，易读。

西方音乐歌词自动生成空句的研究

 
就是这样。