中文发音查询技术的研究与实现.pdfVIP

中文发音查询技术的研究与实现 1 2 王小兵 ，于思江 1．西安电子科技大学计算机学院，陕西西安（710071 ） 2．西安邮电学院教务处，陕西西安（710061 ） 摘 要：针对根据发音进行检索的需求，分析了中文发音查询的原理，并以MySQL 数据库 为例，对应用范围较广的全音模糊查询提出了高效率的元级实现方案，最后给出了发音查询 的应用实例。 关键词：发音查询；模糊查询；MySQL 1. 前言 早在1918 年和1922 年，Margaret K.Odell 和Robert C.Russell 提出了Soundex 方法，用 来对姓氏进行编码，为所有美国人口做索引。Soundex 是一种语音算法，根据英文单词的读 音计算得到一个字符串值，形式为一个字母加三个数字[1]，例如Smith 和Smyth 的Soundex 值都是 S530。在一定程度上，这种算法能够为发音相近的单词产生相同的返回值，可用于 基于英文发音的模糊匹配，在当今主流的数据库管理系统中都已经被实现。 在中文的管理信息系统中，也存在大量根据发音查询数据的需求。例如，查询与“黎明” 发音相同的人名字，则结果应包含“李明”、“李鸣”等，若只要求发音近似，则结果还应该包 含“李民”、“李敏”等。基于中文发音的查询技术是非常重要的，用户使用它能够大大提高检 索的效率，尤其对于特定行业，如户籍管理、酒店预定管理系统、电话查号服务系统、药品 管理系统[2]等。 2. 中文发音查询原理 在汉字系统中，每个汉字都有一个或多个发音，发音包含声母、韵母和声调。中文发音 查询是对数据库中的中文信息进行与发音有关的检索，而不仅仅是比较字面是否相同。按照 不同的分类标准，中文发音查询存在多种实现技术。 根据比较内容可分为声母查询和全音查询。前者一般用于快速查询，仅仅根据中文发音 的声母来检索数据，如根据药品简称“amxl”就可以得到“阿莫西林” 。由于该检索只以声母为 依据，对返回的大量结果用户需要进一步筛选。全音查询则同时比较声母和韵母，一般不比 较声调，结果较为精确，但是如果发音不准确就容易造成结果的丢失。例如在酒店预定管理 系统中，如果全音查询要求发音完全相同，则使用“limin”只能查询到“李敏”，而无法检索到 “李明”的预定信息。 根据精确度进行分类有精确查询和模糊查询。精确查询要求发音（声母或全音）完全相 同，结果集合较小，如使用“amxn”就无法查询到“阿莫西林” 。模糊查询则按照一定的规则（如 表1）进行检索，可得到发音近似的结果集合，从而方便用户的使用。例如，在酒店预定管 理系统中，使用“limin”可以查询到“李明” 。 -1- 表 1 模糊发音规则表 声母 韵母 z = zh an = ang s = sh en = eng c = ch in = ing l = n ian = iang uan = uang 根据实现级别的不同可分为宿主级查询、函数级查询和元级查询。宿主级查询指获取中 文发音的功能主要在SQL的宿主语言中完成，首先由SQL从数据库中检索出汉字，宿主语言 调用相应的方法得到其发音，再判断其是否满足发音条件[3] 。函数级查询一般需要更改数据 库结构用于保存发音信息，通过在数据库中自定义函数获得发音来实现查询[2, 4, 5] 。