string - 计算单词中的音节

Question

我正在寻找一个完全准确的算法来计算单词中的音节。我在研究时发现的东西是不一致的，或者我知道会产生不正确的结果。有没有人对如何实现这一目标有任何建议？谢谢。

我现在使用的算法:

1. 计算单词中元音的个数。
2. 不计算双元音(“rain”有 2 个元音但只有 1 个音节)
3. 如果单词的最后一个字母是元音不算(“边”是1个音节)

我还缺少其他规则吗？如果我使用的算法或我的实现是错误的，我会尝试在测试中确定我的错误结果。

Answer 1

Ambiguity是自然语言处理中的一个大问题，但有些任务实际上可以非常准确地处理歧义。原来音节是其中之一，所以不要听其他答案。 :)

音节化

基于启发式

你可以想出算法 achieving correct syllabification virtually throughout the English vocabulary , 但正确编程似乎很复杂。

基于语料库

一如既往，当手工算法没有太大帮助时，自然语言处理研究人员使用手工标记的语料库，其中包含给定单词的正确答案。然后使用学习算法，通常可以提供很高的准确性。您可以使用 LingPipe's syllabification (see "English syllabification")遵循这种方法。

详尽列表

英语只有这么多单词，这就是我们想出字典的方式。这样的词典通常包含正确的音节。你可以抓取 reference.com。例如，undulate entry包含«un·du·late»，足以知道有三个音节。

其他此类词典包括 Answers.com , The Free Dictionary , Merriam-Webster ， 等等。请务必阅读条款和条件，可能不允许自动检索。而不同的词典不会always agree彼此。

它对新词或专有名词没有帮助，但我会说这将是最准确的方法。

关于断字

另一个相关的问题得到了更多的关注:断字。但是不要用那个!用于排版程序such as LaTeX ，但仅旨在提供一些正确的连字符，而不会提供不正确的连字符(高精度，低召回率)。有趣的是，只有 14 个异常(exception)，例如。根据词性(动词或名词)具有不同连字符的项目。

断字程序

如果您认为它足以满足您的需要，请注意 few implementations of the TeX hyphenation algorithm exist in other languages, such as Python, Perl or Ruby .