当某些字母发生变化时，如何在复数中找到单数？最好的方法是什么？

Question

当某些字母发生变化时，如何在复数中找到单数？

以下情况：

• 德语单词Schließfach是一个密码箱。
• 复数是 Schließfächer.

如您所见，字母a已更改为ä。出于这个原因，第一个单词不再是第二个单词的子字符串，它们在“正则表达式技术”上是不同的。

也许我在下面选择的标签不在正确的角落。也许正则表达式对我来说不是正确的工具。我已经看到naturaljs( natural.NounIflector()) 为英语单词提供了开箱即用的功能。也许德语也有同样的解决方案？

什么是最好的方法，我如何在德语的复数中找到单数？

Answer 1

我曾经不得不构建一个文本处理器来解析多种语言，包括非常随意到非常正式的语言。要确定的一件事是某些单词是否相关（例如标题中的名词与一系列事物相关 - 有时用复数形式标记。）

IIRC，在我们支持的所有语言中，70-90% 的单复数词形式的“Levenshtein 距离”小于 3 或 4。（最终添加了几个词典以提高准确性，因为仅“距离”就产生了许多误报。）另一个有趣的发现是，单词越长，3 或更少的距离就越有可能意味着意义上的关系。

这是我们使用的库的示例：

const fastLevenshtein = require('fast-levenshtein');

console.log('Deburred Distances:')
console.log('Score 1:', fastLevenshtein.get('Schließfächer', 'Schließfach'));
// -> 3
console.log('Score 2:', fastLevenshtein.get('Blumtach', 'Blumtächer'));
// -> 3
console.log('Score 3:', fastLevenshtein.get('schließfächer', 'Schliessfaech'));
// -> 7
console.log('Score 4:', fastLevenshtein.get('not-it', 'Schliessfaech'));
// -> 12
console.log('Score 5:', fastLevenshtein.get('not-it', 'Schiesse'));
// -> 8


/**
 * Additional strategy for dealing with other various languages:
 *   "Deburr" the strings to omit diacritics before checking the distance:
 */

const deburr = require('lodash.deburr');
console.log('Deburred Distances:')
console.log('Score 1:', deburr(fastLevenshtein.get('Schließfächer', 'Schließfach')));
// -> 3
console.log('Score 2:', deburr(fastLevenshtein.get('Blumtach', 'Blumtächer')));
// -> 3
console.log('Score 3:', deburr(fastLevenshtein.get('schließfächer', 'Schliessfaech')));
// -> 7


// Same in this case, but helpful in other similar use cases.