印度语语音搜索

Question

我想比较一下我的android应用程序中的字符串。但这里的特例是，我想比较一下用英语写的印度语单词。例如，我想检查"Edhu“"Adhu”"Yethu“在语音上是否平等，在泰米尔语中它们的意思都是一样的。但是，使用英语脚本来书写印度语的人使用不同的拼写来创造这个单词。在这种情况下，我如何比较单词呢？

我试过Levenshtein。但我不知道如何将它返回的数字转换为等式。

我试用了Soundex，Soundex的代码不一样，当单词的第一个字母变了。但它能够找出相似的发声部分。我不明白它是怎么工作的。

 soundex.encode("Yethu")  (soundex.encode("Edhu"))  (soundex.encode("adhu")) 
 Y300                       E300                       A300

Answer 1

据我所知，你想把用英语写成的单词按语音分解，然后把拼法不同但有相同语音表示的单词组合在一起。

因为这个SoundEx是90%的解决方案，只要那些用英语拼写单词的人在将单词从泰米尔语翻译成英语时，实际上使用的是正确的辅音。

您应该能够从SoundEx表示中删除第一个值，并在第一个字母为元音时将其用作编码。

原因是SoundEx ( https://en.wikipedia.org/wiki/Soundex )只对辅音进行编码。它抛弃了所有的元音加上h和w-除非-元音是单词中的第一个字母-这解释了为什么你的值都略有不同，但只有在第一个字母的编码。

至于零，根据定义，SoundEx编码是1个字母和3个数字(从1到6)，每个单词(d或t)中只有1个辅音，SoundEx映射到数字3。由于没有辅音，我相信它增加了2个零以满足要求。这样你就可以得到Letter300

如果你要继续为你的应用程序使用SoundEx，你应该记住，它只能给你26*6*6*6 = 5616的唯一编码，基于它的字母编号(1-6)方案。这意味着语音编码不会是唯一的，一些完全不同的单词会有SoundEx编码发生冲突。