pdf - Universität zu Köln

und Schrifterkennung. Die vorgestellten Verfahren werden zum Teil auch für die Erkennung
ähnlicher Genomsequenzen in der Bioinformatik benutzt.
4.2 Anwendungsmöglichkeit für eine Phonetische Suche
Damerau-Levenshtein und Hamming-Distanz eignen sich nicht unbedingt für eine Phonetische
Suche auf großen Datenbanken, da für eine Suche die Eingabezeichenkette mit
dem gesamtem Datenbestand verglichen werden muss. Deshalb sind Kriterien für die Einschränkung
der zu tätigenden Vergleiche wünschenswert. Bei kleineren Datenbanken kann
dieser Aspekt vernachlässigt werden.
Für N-Gram-basierte Verfahren ist eine Anwendung in relationalen Datenbanken denkbar.
Für eine Suche muss jedoch ein Index der N-Gramme erstellt werden. Dies ist eine
Aufgabe, die viel Speicherplatz benötigt. Somit sollte in großen Datenbanken erst eine
Vorauswahl (Partitionierung) der Daten vorgenommen werden, bevor diese Klasse von
Algorithmen angewendet wird. Dieser Punkt wird in Kapitel 8 noch einmal angesprochen
werden.
Hinzu kommt, dass bei Hamming-Distanz und Damerau-Levenshtein bei kurzen Zeichenketten
die Wahrscheinlichkeit groß ist, daß mit wenigen Operationen eine vollkommenen
andere Zeichenkette kurzer Länge gefunden werden. Dies macht die angegebenen
Algorithmen sehr fehleranfällig und erfordert eine Gewichtung nach Länge der Zeichenkette.
Das Auffinden einer optimalen Gewichtung für Zeichenlängen, wäre Aufgabe weiterer
Untersuchungen.
4.3 Hamming-Distanz
Die Hamming-Distanz ist die einfachste Form des Stringvergleichs. Sie zählt die Anzahl
der Zeichen gleicher Position in beiden Eingabezeichenketten, die unterschiedlich sind. Sie
kann im Gegensatz zu den folgenden Verfahren schnell errechnet werden. Sie hat für den
Einsatz im natürlichsprachigen Vergleich von Zeichenketten allerdings wenig Aussagekraft,
da verschobene Teilzeichenketten nicht berücksichtigt werden, wie das Beispiel in Abbildung
9 zeigt.
M ü l l e r
M ö l l e r
0 1 0 0 0 0
M ü l l e r
M u e l l e r
0 0 1 0 2 3 4
Abbildung 9: Berechnung der Hamming-Distanz durch Aufaddieren der unterschiedlichen
Buchstabenpositionen. Während eine Distanz von eins im linken Beispiel Müller
vs. Möller ein ganz gutes Maß für Ähnlichkeit ist, ist die Distanz von vier im rechten
Beispiel vs als Ähnlichkeitsmaß indiskutabel.
23