-
Notifications
You must be signed in to change notification settings - Fork 3
carlosjordao/metaphone-ptbr
This commit does not belong to any branch on this repository, and may belong to a fork outside of the repository.
Folders and files
Name | Name | Last commit message | Last commit date | |
---|---|---|---|---|
Repository files navigation
### Como usar a ferramenta Os pacotes debian estão disponíveis na informação de release. Compilados contra Ubuntu 22.04. Porém também tem disponibilizado pacotes pgdg para outras versões de PostgreSQL. Caso precise compilar por algum motivo, as instruções de compilação/build estão no arquivo README de cada pasta: * php/README --> para compilar o módulo em PHP * python/README --> para criar o egg e/ou instalar, com pybuild * postgresql/README --> para instalar na versão PostgreSQL do seu computador Depois de instalado: PostgreSQL 10+: CREATE EXTENSION metaphoneptbr; select metaphone_ptbr('qualquer'); PHP: <?php echo metaphoneptbr('qualquer'); ?> Python 3: from metaphoneptbr import phonetic print(phonetic('qualquer')) A ferramenta é útil para criar um conjunto de palavras associadas uma identidade fonética. Esse mecanismo busca não a exatidão, mas a aproximação de um resultado fuzzy, no qual um conjunto é representado, podendo-se refinar as sugestões de buscas por nomes de pessoas ou logradouros. ### 1. INTRODUÇÃO Metaphone for Brazilian Portuguese O metafone é um algoritmo de transformação de texto baseado em regras fonéticas (http://en.wikipedia.com/wiki/Metaphone) As regras foram baseadas em um trabalho conjunto publicado peal Prefeitura Municipal de Várzea Paulista (http://www2.varzeapaulista.sp.gov.br/metaphone), durante o projeto REDECA, voltado à infância e adolescência. Este port é uma variação para o português, ao menos o brasileiro. ### 2. O ALGORITMO Assim como o Metaphone original e o Double Metaphone, o objetivo é criar uma palavra foneticamente representativa a partir da original utilizando as regras para o português brasileiro. Dessa forma, a busca é facilitada por transformar cerca de 10 a 50 palavras em uma única representação. O custo de uma pesquisa em um banco de dados tradicional para as variantes cai drasticamente, de forma que um segundo algoritmo de proximidade (levenshtein, similar text) para um ordenamento eficaz se torna viável pela menor quantidade de registros a serem analisados. Basicamente, transforma uma palavra em uma forma fonética, a fim de que palavras foneticamente semelhantes possam ser encontradas, resolvendo a maior parte dos casos de busca de nomes de pessoas, ruas, além de permitir busca por palavras foneticamente semelhantes em um dicionário. Pode-se dizer que o algoritmo simplifica a quantidade de símbolos das palavras, mantendo apenas o essencial para identificar seu núcleo. No caso do português (e de várias outras línguas também), as consoantes são as letras que carregam a identificação de uma palavra. Logo, considera-se trocar a palavra por símbolos que representam aquela sonoridade. O algoritmo não é complexo computacionalmente. Seu valor está no estudo das regras fonéticas e o contexto das letras para determinação do som mais apropriado, algumas vezes analisando até duas letras à frente ou para trás. A sua implementação foi construída visando simplicidade e agilidade. Para simplificar a representação do algoritmo, tomemos as seguintes notações: ``` SIMBOLO - NOTACAO ------------------------------------------ ^ - Representa o começo da palavra $ - Representa o fim da palavra [] - igual em regex: qualquer um dentro dos colchetes v - (minúsculo) representa uma vogal qualquer c - (minúsculo) representa uma consoante qualquer . - Qualquer letra 0 - (nulo) Representa que o símbolo foi ignorado e não mapeado. letras em maiúsculo - representam uma vogal ou consoante real em particular ``` ``` LETRAS -> REPRESENTAÇÃO FONÉTICA (COMENTARIOS) ------------------------------------------ ^v -> v (ou seja, copia a vogal) B -> B C[AOU] -> K Cc -> K C[EI] -> S CHR -> K CH -> X (regra mais genérica aplica-se por último) C$ -> K Ç -> S D -> D F -> F G[AOU] -> G G[EI] -> J GH[EI] -> J GHc -> G ^Hv -> v H -> 0 (Outros casos de aparição de H devem ser ignorados) J -> J K -> K LH -> 1 (não tem representacao no metaphone original) Lv -> L M -> M N$ -> M NH -> 3 (não tem representação no metaphone original) P -> P PH -> F Q -> K ^R -> 2 (não tem representação no metaphone original) R$ -> 2 (não tem representação no metaphone original) RR -> 2 vRv -> R .Rc -> R cRv -> R SS -> S SH -> X SC[EI] -> S SC[AUO] -> SK (sim - duas letras porque tem sons distintos quando acompanhadas de U ou O). SCH -> X Sc -> S S -> S (caso as outras regras não se apliquem, esta entra em vigor) T -> T TH -> T V -> V W[LRv] -> V Wc -> 0 (Exceto L e R, da regra acima) X$ -> X (o mais adequado seria KS, mas há de se considerar alguns nomes separados por espaços, tornando assim X uma representação mais interessante, embora não perfeitamente acurada) ^EXv -> Z .EX[EI] -> X .EX[AOU]-> X EX[EI] -> X EX[AOU] -> KS EX[PTC] -> S EX. -> KS [vCKGLRX][AIOU]X -> X [DFMNPQSTVZ][AIOU]X -> KS X -> X (caso nenhuma caso acima case com a palavra, aplica-se esta regra) Y -> I (é tratado como vogal para todos os efeitos) Z$ -> S Z -> Z ``` Acima encontra-se uma versão simplificada do algoritmo utilizado para transformação fonética. A escolha em uma implementação à parte do código original se dá por duas razões principais: 1. O Metaphone original usa regras fonéticas americanas. O estrangeirismo na língua inglesa é resolvido com uma segunda string fornecida pelo Double Metaphone para resolver alguns empecilhos da primeira versão. De qualquer forma, o metaphone original não funciona de forma satisfatória para o português. 2. Implementar uma terceira string variante a partir do código metaphone seria uma tarefa hercúlea e provavelmente seriam inseridos erros no código original, pela dificuldade em expandi-lo de forma apropriada. O código contém adaptações (em especial o Double Metaphone) que buscam abranger todas as palavras do mundo em uma representação fonética única. Contudo a maneira utilizada para tal é inviável, porque as letras e os sons são contextuais à língua utilizada. O algoritmo mantém algumas convenções usadas no metaphone original e acrescenta outras, para sons que não existem ou são considerados no inglês (o LH, NH). A maior dificuldade do algoritmo atual é trabalhar com nomes estrangeiros, que praticamente fogem das regras comuns de pronunciação, exigindo um trato quase à parte para alguns nomes, como Harry. Felizmente, esses tipos de nomes não são muito comuns, mas há outras formas de estrangeirismo mais complicadas de se tratar e que sempre vão precisar de um cuidado mais apurado ou uma convenção simbólica, a fim de representá-los, mesmo que não 'soem' como o esperado na representação fonética, mas que possam ser enquadrados ao lado de nomes semelhantes em grafia para a busca se tornar efetiva. * * * 3. O FUTURO Dado as principais dificuldades fonéticas práticas, encontramos três frentes de trabalho: a) Conversão fonética fiel à norma. Aqui as regras gramaticais são aplicadas e não são tratadas as exceções (como acontece com os nomes), exceto aquelas previstas pela língua. b) Conversão fonética semi-fiel. Acrescenta algumas exceções práticas do cotidiano, buscando alcançar um equilíbrio entre a grafia e a fonética dos nomes que fogem à regra. Essa é a implementação atual. c) Conversão fonética coloquial. Visando nomes e exceções às regras, inclui todas as regras fonéticas comuns, mas as exceções tem mais força que as regras. A possível consequência a este uso é a simplificação da identidade fonética da palavra, a fim de capturar maior número de semelhantes. Difícil de definir as regras por serem subjetivas. As conseqüências para essas frentes são a produção de diferentes metafones para as palavras, em grau de fidelidade. Ou seja, para o primeiro caso, a chave fonética seria a mais completa e também a mais restritiva, pois diminuiria o número de casos semelhantes. Para o último, seria a mais simples, mantendo apenas a sonoridade mais marcante da palavra e teria um número de casos semelhantes muito mais alto. * * *
About
No description, website, or topics provided.
Resources
Stars
Watchers
Forks
Packages 0
No packages published