Soundex语音匹配算法综述.pdf

!三竺 ／／ Soundex语音匹配算法综述★ --5立东 (广东外语外贸大学词典学研究中心，广州510420) 摘要：对Soundex语音匹配算法的原理、缺陷和改进进行综述．分析一个版本的Soundex改进算 法的源代码，指出Soundex适合用于模糊匹配挖掘和预处理．简要介绍Soundex及其改进 算法目前的应用领域，及其在自然语言处理领域的潜在用途。 关键词：Soundex；语音编码；语音匹配：模糊匹配 0 引言 再删除位于词尾的G、H、S、或Z。这些改动主要是基于 以下对英语发音的理解[61：元音对单词读音的贡献少于 语音匹配算法是根据发音来检索词的算法．一般 辅音。所以可以忽略不在词首的元音；字母H，W和Y 用于按英语发音来索引姓名。语音匹配算法的原始目 对绝太多数单词的读音贡献非常小．如果它们不在词 标是要解决哪个姓氏与X的发音匹配(相似)这样的问 首也可以忽略：像M和N这样的辅音可结成发音相似 题IlJo 的字母组：单词中排列在一起的发音相似的辅音，像 英语中的许多姓氏有变体拼写形式．例如：Smyth NN、SS和MN．通常发音像一个辅音，从分析的角度可 是Smith的一个变体拼写形式。绝大多数人看到Smyth 将它们简化为一个辅音。 这个姓氏知道它是Smith的另一种拼写形式。但是根 Soundex算法的运作方式是保留姓氏的首字母并 据拼写检索信息时．计算机程序就不会把Smvth当作 把其余部分中的每个字母按照对应关系转换成代表它 Smith。如果根据单阋的发音而不是拼写编码或生成代 所在语音组的数字代码，然后删除0(即，删除A、E、H、 码．然后再根据语音代码进行比对．就可以发现像 I、O、U、W、Y)并对相邻的重复的数字代码实施消重处 Smith和Smyth这类有两种拼写或两种以t拼写变体 理(先消重．再删除0是改进算法采用的步骤)。经典的 形式的词具有相似或者相同的发音。语音(模糊)匹配 Soundex语音代码与英语字母之间的映射或对应关系旧 算法的应用解决了英语姓氏变体的检索问题。 如表l所示。 1 Soundex语音匹配算法的原理 表1 Soundex语音代码与英语字母的砷应关系 Russel按照英语字母的发音特点把它们分了组。 SouadeI代码 英语车母 具有类似发音机制的字母被分在同一组。例如：字母D O A。E，H，I．0，U，W。Y l B．F．P．V 和T被分在同一个语音组．因为它们