|
Soundex-Algorithmus:
das Verfahren (aus Wikipedia)
Soundex ist ein phonetischer Algorithmus zur
Indexierung von Wörtern und Phrasen nach ihrem Klang in der
englischen Sprache. Gleichklingende Wörter sollen dabei zu
einer identischen Zeichenfolge codiert werden.
Der Soundex-Algorithmus bringt aber
häufig auch für die Deutsche Sprache gute Ergebnisse.
Soundex wurde von Russell für die
Indizierung der Familiennamen der Volkszählung (Census) in den
USA entwickelt und 1918 patentiert (US-Patent 1,261,167). Der
Soundex-Code für ein Wort besteht aus seinem ersten Buchstaben
gefolgt von drei Ziffern, die die nach dem Anfangsbuchstaben folgenden
Konsonanten des Wortes repräsentieren. Ähnliche Laute
besitzen den gleichen Code (B, F, P und V werden z.B. alle mit der
Ziffer "1" codiert).
Grundregeln
Jeder Soundex-Code besteht aus einem Buchstaben
gefolgt von drei Ziffern, z.B. W-213 für Wikipedia. Hat das zu
codierende Wort soviele Buchstaben, daß man mehr Ziffern
erzeugen könnte, bricht man nach der dritten Ziffer ab. Hat
das Wort zu wenige Buchstaben, füllt man die letzten Ziffern
mit 0-en auf. Der asiatische Name Lee wird also als L-000 codiert.
|
Ziffer
|
Repräsentatierte
Buchstaben |
|
1
|
B, F, P, V |
|
2
|
C, G, J, K, Q, S, X, Z |
|
3
|
D, T |
|
4
|
L |
|
5
|
M, N |
|
6
|
R |
Die Vokale A, E, I, O und U, als auch die
Konsonanten H, W und Y sind zu ignorieren, allerdings nicht an erster
Stelle als führender Buchstabe. Erweiternd für die
deutsche Sprache definiert man: Die Umlaute Ä, Ö und
Ü sind zu ignorieren, das "scharfe S" ß wird wie das
einfache S als 2 codiert.
Doppelte Buchstaben
Doppelte Buchstaben, wie in Kallbach sind wie ein
einzelner Buchstabe zu betrachten.
• Kallbach wird daher zu K-412 (K
-> K, A wird verworfen, L -> 4, 2. L wird verworfen, B
-> 1, 2. A wird verworfen, C -> 2, Abbruch weil wir
bereits 3 Ziffern haben).
Aufeinanderfolgende Buchstaben mit gleichem
Soundex-Code
Werden wie gleiche Buchstaben behandelt.
• Hackelmeier wird daher zu H-245 (H
-> H, A wird verworfen, C -> 2, K wird verworfen weil
auch = 2, E wird verworfen, L -> 4, M -> 5, Abbruch weil
wir bereits 3 Ziffern haben.
Namenszusätze
Namenszusätze können ignoriert
werden, oder normal mitkodiert werden. Bei der Suche ist dies
entsprechend zu berücksichtigen, d.h. es sind ggf. zwei Suchen
durchzuführen.
• von Neumann wird einmal zu V-555 oder
zu N-550 (beachte auch die folgende Regel)
Konsonantentrennung
Werden zwei Konsonanten mit dem gleichen
Soundex-Code durch ein Vokal (oder Y) getrennt, so wird der rechte
Konsonant NICHT verworfen. Ist allerdings ein H oder ein W das
Trennzeichen, so wird der rechte Konsonant wie bei der
Aufeinanderfolgende Buchstaben-Regel verworfen.
|
