Определения слогов в слове

я наткнулся на эту страницу, ища то же самое, и нашел здесь несколько реализаций бумаги Liang: https://github.com/mnater/hyphenator

то есть, если вы не тот тип, который любит читать 60-страничный тезис вместо адаптации свободно доступного кода для неуникальной проблемы. :)

вот решение с помощью NLTK:

from nltk.corpus import cmudict
d = cmudict.dict()
def nsyl(word):
  return [len(list(y for y in x if y[-1].isdigit())) for x in d[word.lower()]] 

Я пытаюсь решить эту проблему для программы, которая будет вычислять оценку чтения flesch-kincaid и flesch блока текста. Мой алгоритм использует то, что я нашел на этом сайте:http://www.howmanysyllables.com/howtocountsyllables.html и это становится достаточно близко. У него все еще есть проблемы со сложными словами, такими как невидимый и перенос, но я обнаружил, что он попадает в поле для моих целей.

Он имеет преимущество в том, что его легко реализовать. Я нашел "es" может быть либо силлабическим, либо нет. Это азартная игра, но я решил удалить es в своем алгоритме.

private int CountSyllables(string word)
    {
        char[] vowels = { 'a', 'e', 'i', 'o', 'u', 'y' };
        string currentWord = word;
        int numVowels = 0;
        bool lastWasVowel = false;
        foreach (char wc in currentWord)
        {
            bool foundVowel = false;
            foreach (char v in vowels)
            {
                //don't count diphthongs
                if (v == wc && lastWasVowel)
                {
                    foundVowel = true;
                    lastWasVowel = true;
                    break;
                }
                else if (v == wc && !lastWasVowel)
                {
                    numVowels++;
                    foundVowel = true;
                    lastWasVowel = true;
                    break;
                }
            }

            //if full cycle and no vowel found, set lastWasVowel to false;
            if (!foundVowel)
                lastWasVowel = false;
        }
        //remove es, it's _usually? silent
        if (currentWord.Length > 2 && 
            currentWord.Substring(currentWord.Length - 2) == "es")
            numVowels--;
        // remove silent e
        else if (currentWord.Length > 1 &&
            currentWord.Substring(currentWord.Length - 1) == "e")
            numVowels--;

        return numVowels;
    }

Это особенно сложная проблема, которая не полностью решена алгоритмом переноса латекса. Хорошее резюме некоторых доступных методов и связанных с ними проблем можно найти в документе оценки автоматических алгоритмов переносов для английского (Маршан, Адсетт, и демпфер 2007).

спасибо Джо Basirico, для обмена быстрой и грязной реализации в C#. Я использовал большие библиотеки, и они работают, но они обычно немного медленны, и для быстрых проектов ваш метод отлично работает.

вот ваш код на Java, вместе с тестовыми случаями:

public static int countSyllables(String word)
{
    char[] vowels = { 'a', 'e', 'i', 'o', 'u', 'y' };
    char[] currentWord = word.toCharArray();
    int numVowels = 0;
    boolean lastWasVowel = false;
    for (char wc : currentWord) {
        boolean foundVowel = false;
        for (char v : vowels)
        {
            //don't count diphthongs
            if ((v == wc) && lastWasVowel)
            {
                foundVowel = true;
                lastWasVowel = true;
                break;
            }
            else if (v == wc && !lastWasVowel)
            {
                numVowels++;
                foundVowel = true;
                lastWasVowel = true;
                break;
            }
        }
        // If full cycle and no vowel found, set lastWasVowel to false;
        if (!foundVowel)
            lastWasVowel = false;
    }
    // Remove es, it's _usually? silent
    if (word.length() > 2 && 
            word.substring(word.length() - 2) == "es")
        numVowels--;
    // remove silent e
    else if (word.length() > 1 &&
            word.substring(word.length() - 1) == "e")
        numVowels--;
    return numVowels;
}

public static void main(String[] args) {
    String txt = "what";
    System.out.println("txt="+txt+" countSyllables="+countSyllables(txt));
    txt = "super";
    System.out.println("txt="+txt+" countSyllables="+countSyllables(txt));
    txt = "Maryland";
    System.out.println("txt="+txt+" countSyllables="+countSyllables(txt));
    txt = "American";
    System.out.println("txt="+txt+" countSyllables="+countSyllables(txt));
    txt = "disenfranchized";
    System.out.println("txt="+txt+" countSyllables="+countSyllables(txt));
    txt = "Sophia";
    System.out.println("txt="+txt+" countSyllables="+countSyllables(txt));
}

результат был ожидаемым (он работает достаточно хорошо для Flesch-Kincaid):

txt=what countSyllables=1
txt=super countSyllables=2
txt=Maryland countSyllables=3
txt=American countSyllables=3
txt=disenfranchized countSyllables=5
txt=Sophia countSyllables=2

натыкаясь на @Tihamer и @joe-basirico. Очень полезная функция, не идеальный, но подходит для большинства малых и средних проектов. Джо, я переписал реализацию вашего кода на Python:

def countSyllables(word):
    vowels = "aeiouy"
    numVowels = 0
    lastWasVowel = False
    for wc in word:
        foundVowel = False
        for v in vowels:
            if v == wc:
                if not lastWasVowel: numVowels+=1   #don't count diphthongs
                foundVowel = lastWasVowel = True
                        break
        if not foundVowel:  #If full cycle and no vowel found, set lastWasVowel to false
            lastWasVowel = False
    if len(word) > 2 and word[-2:] == "es": #Remove es - it's "usually" silent (?)
        numVowels-=1
    elif len(word) > 1 and word[-1:] == "e":    #remove silent e
        numVowels-=1
    return numVowels

надеюсь, кто-то найдет это полезным!

Perl есть Лингва::Фонология::Слог модуль. Вы можете попробовать это или попробовать изучить его алгоритм. Я видел там и несколько других старых модулей.

Я не понимаю, почему регулярное выражение дает только количество слогов. Вы должны быть в состоянии получить сами слоги, используя захват скобки. Предполагая, что вы можете построить регулярное выражение, которое работает, то есть.

сегодня я нашел этой Java реализация алгоритма переноса Фрэнка Ляна с шаблоном для английского или немецкого языков, который работает довольно хорошо и доступен на Maven Central.

пещера: важно удалить последние строки .tex файлы шаблонов, потому что в противном случае эти файлы не могут быть загружены с текущей версией на Maven Central.

для загрузки и использования hyphenator, вы можете использовать следующий фрагмент кода Java. texTable - это имя этого .tex файлы, содержащие необходимые шаблоны. Эти файлы доступны на сайте проекта github.

 private Hyphenator createHyphenator(String texTable) {
        Hyphenator hyphenator = new Hyphenator();
        hyphenator.setErrorHandler(new ErrorHandler() {
            public void debug(String guard, String s) {
                logger.debug("{},{}", guard, s);
            }

            public void info(String s) {
                logger.info(s);
            }

            public void warning(String s) {
                logger.warn("WARNING: " + s);
            }

            public void error(String s) {
                logger.error("ERROR: " + s);
            }

            public void exception(String s, Exception e) {
                logger.error("EXCEPTION: " + s, e);
            }

            public boolean isDebugged(String guard) {
                return false;
            }
        });

        BufferedReader table = null;

        try {
            table = new BufferedReader(new InputStreamReader(Thread.currentThread().getContextClassLoader()
                    .getResourceAsStream((texTable)), Charset.forName("UTF-8")));
            hyphenator.loadTable(table);
        } catch (Utf8TexParser.TexParserException e) {
            logger.error("error loading hyphenation table: {}", e.getLocalizedMessage(), e);
            throw new RuntimeException("Failed to load hyphenation table", e);
        } finally {
            if (table != null) {
                try {
                    table.close();
                } catch (IOException e) {
                    logger.error("Closing hyphenation table failed", e);
                }
            }
        }

        return hyphenator;
    }

после этого Hyphenator готово к использованию. Чтобы обнаружить слоги, основная идея состоит в том, чтобы разделить термин на предоставленные дефисы.

    String hyphenedTerm = hyphenator.hyphenate(term);

    String hyphens[] = hyphenedTerm.split("\u00AD");

    int syllables = hyphens.length;

вам нужно разделить на "\u00AD", так как API не возвращает нормальное "-".

этот подход превосходит ответа Джо Basirico, поскольку он поддерживает множество различных языков и обнаруживает немецкие переносы более точно.

зачем ее вычислять? Каждый онлайн словарь имеет эту информацию. http://dictionary.reference.com/browse/invisible in * vis·i * ble

спасибо @joe-basirico и @tihamer. Я портировал код @tihamer на Lua 5.1, 5.2 и luajit 2 (скорее всего будет работать на других версиях lua, а также):

countsyllables.lua

function CountSyllables(word)
  local vowels = { 'a','e','i','o','u','y' }
  local numVowels = 0
  local lastWasVowel = false

  for i = 1, #word do
    local wc = string.sub(word,i,i)
    local foundVowel = false;
    for _,v in pairs(vowels) do
      if (v == string.lower(wc) and lastWasVowel) then
        foundVowel = true
        lastWasVowel = true
      elseif (v == string.lower(wc) and not lastWasVowel) then
        numVowels = numVowels + 1
        foundVowel = true
        lastWasVowel = true
      end
    end

    if not foundVowel then
      lastWasVowel = false
    end
  end

  if string.len(word) > 2 and
    string.sub(word,string.len(word) - 1) == "es" then
    numVowels = numVowels - 1
  elseif string.len(word) > 1 and
    string.sub(word,string.len(word)) == "e" then
    numVowels = numVowels - 1
  end

  return numVowels
end

и некоторые забавные тесты, чтобы подтвердить это работает (столько, сколько положено):

countsyllables.tests.lua

require "countsyllables"

tests = {
  { word = "what", syll = 1 },
  { word = "super", syll = 2 },
  { word = "Maryland", syll = 3},
  { word = "American", syll = 4},
  { word = "disenfranchized", syll = 5},
  { word = "Sophia", syll = 2},
  { word = "End", syll = 1},
  { word = "I", syll = 1},
  { word = "release", syll = 2},
  { word = "same", syll = 1},
}

for _,test in pairs(tests) do
  local resultSyll = CountSyllables(test.word)
  assert(resultSyll == test.syll,
    "Word: "..test.word.."\n"..
    "Expected: "..test.syll.."\n"..
    "Result: "..resultSyll)
end

print("Tests passed.")

Я не мог найти адекватный способ подсчета слогов, поэтому я сам разработал метод.

вы можете просмотреть мой метод здесь:https://stackoverflow.com/a/32784041/2734752

Я использую комбинацию словаря и алгоритма для подсчета слогов.

вы можете посмотреть мою библиотеку здесь:https://github.com/troywatson/Lawrence-Style-Checker

Я только что протестировал свой алгоритм и имел скорость удара 99,4%!

Lawrence lawrence = new Lawrence();

System.out.println(lawrence.getSyllable("hyphenation"));
System.out.println(lawrence.getSyllable("computer"));

выход:

4
3

я столкнулся с этой же проблемой некоторое время назад.

Я в конечном итоге с помощью словарь произношения CMU для быстрого и точного поиска большинства слов. Для слов, не включенных в словарь, я вернулся к модели машинного обучения, которая на ~98% точна при прогнозировании количества слогов.

я завернул все это в простой в использовании модуль python здесь:https://github.com/repp/big-phoney

установить: pip install big-phoney

Считать Слоги:

from big_phoney import BigPhoney
phoney = BigPhoney()
phoney.count_syllables('triceratops')  # --> 4

Если вы не используете Python и хотите попробовать подход на основе ML-модели, я сделал довольно подробный напишите о том, как модель подсчета слогов работает на Kaggle.

после проведения большого количества тестов и опробования пакетов переносов, я написал свой собственный, основанный на ряде примеров. Я также попробовал pyhyphen и pyphen пакеты, которые взаимодействуют со словарями переносов, но во многих случаях они производят неправильное количество слогов. Элемент nltk пакет был просто слишком медленным для этого случая использования.

моя реализация в Python является частью класса, который я написал, и процедура подсчета слогов вставлена ниже. Он переоценивает количество слогов немного, так как я до сих пор не нашел хорошего способа объяснить молчаливые окончания слов.

функция возвращает соотношение слогов на слово, как это используется для оценки читаемости Flesch-Kincaid. Число не должно быть точным, просто достаточно близко для оценки.

на моем процессоре 7-го поколения i7 эта функция заняла 1,1-1,2 миллисекунды для образца текста 759 слов.

def _countSyllablesEN(self, theText):

    cleanText = ""
    for ch in theText:
        if ch in "abcdefghijklmnopqrstuvwxyz'’":
            cleanText += ch
        else:
            cleanText += " "

    asVow    = "aeiouy'’"
    dExep    = ("ei","ie","ua","ia","eo")
    theWords = cleanText.lower().split()
    allSylls = 0
    for inWord in theWords:
        nChar  = len(inWord)
        nSyll  = 0
        wasVow = False
        wasY   = False
        if nChar == 0:
            continue
        if inWord[0] in asVow:
            nSyll += 1
            wasVow = True
            wasY   = inWord[0] == "y"
        for c in range(1,nChar):
            isVow  = False
            if inWord[c] in asVow:
                nSyll += 1
                isVow = True
            if isVow and wasVow:
                nSyll -= 1
            if isVow and wasY:
                nSyll -= 1
            if inWord[c:c+2] in dExep:
                nSyll += 1
            wasVow = isVow
            wasY   = inWord[c] == "y"
        if inWord.endswith(("e")):
            nSyll -= 1
        if inWord.endswith(("le","ea","io")):
            nSyll += 1
        if nSyll < 1:
            nSyll = 1
        # print("%-15s: %d" % (inWord,nSyll))
        allSylls += nSyll

    return allSylls/len(theWords)

я использовал jsoup, чтобы сделать это один раз. Вот пример парсера слогов:

public String[] syllables(String text){
        String url = "https://www.merriam-webster.com/dictionary/" + text;
        String relHref;
        try{
            Document doc = Jsoup.connect(url).get();
            Element link = doc.getElementsByClass("word-syllables").first();
            if(link == null){return new String[]{text};}
            relHref = link.html(); 
        }catch(IOException e){
            relHref = text;
        }
        String[] syl = relHref.split("·");
        return syl;
    }