pdf - Universität zu Köln

Eigenschaften der im ursprünglichen Algorithmus aufgebauten Matrix aufbauen. Nirgendwo
in der Literatur wurde aber eine Abschätzung des Laufzeitverhaltens verschiedener
Varianten für sehr kurze Zeichenketten 40 vorgenommen, wie sie für den Vergleich von einzelnen
Namen interessant sind.
Falls die zu errechnende Gesamtdistanz einen Schwellwert haben soll, wie es bei Suchfunktionen
meist der Fall ist, kann der Algorithmus durch ein Stopkriterium beschleunigt
werden. Dies wird z. B. von Erikson (1997, S.20) vorgeschlagen. Dabei wird die Berechnung
abgebrochen, sobald ein Schwellwert erreicht wird.
An den vorgestellten Beispielen zeigt sich, dass die ,,edit-distance”-basierten Verfahren
große Probleme mit Graphemen haben, die Homonyme mit einer unterschiedlichen Anzahl
von Zeichen besitzen. So zeigt das vorgestellte Beispiel vs.
eine Distanz von 2, obwohl die Aussprache identisch ist. Für eine Angleichung ist es also
wünschenswert, alle Grapheme in eine Repräsentation mit gleicher Zeichenlänge zu bringen,
eine Eigenschaft, die die meisten Verfahren für die phonetische Schlüsselgenerierung
erfüllen. Für diesen Zweck sei nochmals auf die schon im vorherigen Kapitel erwähnte
Möglichkeit der automatischen Erzeugung von Transkriptionen in Formaten, wie SAMPA
oder dem IPA-Alphabet hingewiesen.
Weiterhin wurde mehrfach 41 vorgeschlagen, eine Gewichtung für die Ersetzung von
Zeichen einzuführen. So könnten Grapheme, die phonetisch sehr ähnlich sind, geringeres
Gewicht haben, als Grapheme, die sehr unterschiedlichen Lauten entsprechen. So sind
sich die Phone /b/ und /p/ sehr viel ähnlicher, als dies bei einem /p/ und einem /S/ der
Fall ist. Erstere unterscheiden sich lediglich in dem Merkmal Stimmhaftigkeit, während
bei dem zweiten Beispiel eine andere Artikulationsstelle und eine andere Artikulationsart
vorliegt. Eine mögliche Quelle für eine solche Gewichtung für das Deutsche wären die
Ähnlichkeitsuntersuchungen von Transkriptionen aus Vieregge (1985). Hier wird für Phone
des Deutschen eine Ähnlichkeitsmatrix angegeben, welche auf distinktiven Merkmalen
beruht. Die Gewichtung dieser Matrix wurde in empirischen Studien zu menschlichen Transkriptionsverhalten
verifiziert und dürfte auch für den vorgeschlagenen Zweck anwendbar
sein.
4.5 N-Gram basierte Verfahren
Bei den N-Gram-basierenden Verfahren werden aus den zu vergleichenden Zeichenketten
alle Zeichenkombinationen vorgegebener Länge extrahiert. Ein Vergleich der Teilzeichenketten
beruht auf der Annahme, dass sich zwei Zeichenketten ähnlich sind, wenn eine große
40 Dies wäre ein Punkt, der noch zu untersuchen wäre, aber leider auch den Rahmen dieser Arbeit
sprengen würde.
41 Z. B. von Erikson (1997) und Navarro (2001)
25