1

这里例如。
原句：小さくとも健気で美しい月が<br> 发音：しょうさくともけなげでびしいつきが<br>

我想得到汉字的发音，就像下面一样

小：しょう
健気：けなげ
美：び
月：き

我认为LCS是获得它的算法之一，但它认为有时由于连续的平假名它可能会失败，那么有没有更好的算法来解决这个问题？

justhal 是对的，只是让我们将源句和发音句视为字符串，所以我想做的是将汉字与发音匹配。

4

3 回答 3

1

这似乎是一个比 LCS 更简单的问题，因为句子中的每个平假名字符串都必须出现在发音中。

让我们将句子中的一串平假名称为“h-string”。

如果句子中的一个 h 字符串只匹配发音中的一个子字符串，那么我们可以拆分问题。例如，这个：

[小*さくとも*健気で美しい月が] <=> [しょう*さくとも*けなげでびしいつきが]

变成这样：

[小] <=> [しょう]
[健気で美しい月が] <=> [けなげでびしいつきが]

在这个例子中，这个过程就足够了，因为没有歧义；每个 h 字符串在发音中只出现一次。我们必须考虑更困难的情况。

我将用罗马字符替换平假名和汉字的序列，部分是为了抽象，但主要是因为我不会说日语，也无法编造真正的日语句子作为例子。前面的例子变成：

[AwBCxDyEz] <=> [swtxuyvz]

这很容易分解：
A:s
BC:t
D:u
E:v

这个过程将一直有效，直到我们遇到一个映射，其中所有 h 字符串都是内部的，并且没有一个在发音中是唯一的：

[AyBzC] <=> [yuzyvzyzwzyx]

现在我们必须考虑所有可能的匹配：

[yuz y v z yzwzyx]
[yuz y vzy z wzyx]
[yuz y vzyzw z yx]
[yuzyvz y zw z yx]

在这种情况下，算法必须报告 {A, B, C} 的 4 种可能发音。

于 2013-09-23T11:03:39.957 回答
1

//警告：请不要说我不是日语专家，而且还只是学习它。

据我所知，无论有没有字典，计算机算法在 100% 的情况下都不能可靠地解决这个问题。我建议放弃。或者使用字典进行非完美的方法（有字典比没有更好）

最重要的部分是汉字不是西方字母。汉字是与概念/想法相关联的符号，概念组合在一起指向具有（发音）与之相关联的词的特定对象。现在，汉字有常用读法列表（“on”/“kun”），但也有例外。

您的问题转化为：“给定与字母混合的通配符序列，将每个通配符与给定字符串中的字母序列匹配”。

例子：

猫に九生あり。-> +に++あり。</p>

这是您将立即遇到的困难。

  1. 你不能明确地将发音分成与某些汉字相关联的部分。对于像会社（かいしゃ）这样简单的事情，您可以使用算法来识别映射到音节的有效字母序列（您不能将 しゃ 分成两个不同的部分），但是您最终会遇到包含多个部分的单词或有特殊阅读。例：木阴（こかげ） 哪个字母属于哪个汉字？
  2. 单词/短语的模棱两可的拆分。即一个粒子可以是阅读的一部分。物の怪“もののけ” 现在，在这两个“不”中，哪个属于哪个汉字？
  3. 名称和程式化的外来词。前两个例子可以用字典来解决。名字需要特殊的字典（一树读作“kazuki”，虽然一没有“kazu”作为它的“on”或“kun”读法）。另一个很好的例子是死亡笔记中的八神之光，它有外来词“光”（ライト）写成月（月亮/月，通常读作つき/げつ）显然，月不读作“光”。至于外来语换句话说，“Slayers”中的火炎球（由主角）发音为“フャイヤーボール”（英文中的“fireball”），但显然汉字没有这些读法。

这些问题无法通过算法明确处理，因此将没有匹配字符串的算法。由于#2，LCS 和类似的例程将导致不正确的拆分。

要使用字典，您可以使用 edict 或 kanjidic 中的数据，但是，这并不能保证完美的解决方案。您可能还想调查“mecab”项目。

- 编辑 -

我认为 LCS 是获得它的算法之一，但它认为有时由于连续的平假名它可能会失败，那么有没有更好的算法来解决这个问题？

你不能用这种方式解决它。如果您只想将短语拆分为单词，则需要加载字典（15 多兆字节的数据）并根据字典检查单个单词，此外您还必须处理动词形式以在字典中定位单词。简单的通配符匹配在这里不起作用。

于 2013-09-23T09:42:36.370 回答
-1

我建议将汉字句子转换为正则表达式，如下所示：

regex = "(*)さくとも(*)で(*)しい(*)が"

因此，您正在将汉字的所有连续子字符串转换为 (*)。然后将该正则表达式与发音字符串匹配：

pronunciation = "しょうさくともけなげでびしいつきが"

如果它产生正匹配，大多数正则表达式库将能够告诉您“第 n 组括号中的文本是什么”。只需找到一个可以让您做到这一点的正则表达式库；事实上，如果没有这种能力，可能更难找到一个正则表达式库。

于 2013-09-23T07:23:17.987 回答