Question

这里是例如。
起源句子：小さくとも健気で美しい月が
发音：しょうさくともけなげでびしいつきが

我想得到汉字的解释，就像下面的

小：しょう
健気：けなげ
美：び
月：き

我认为LCS是获得它的算法之一，但它认为有时由于连续的平假名可能会失败，所以有没有更好的算法来解决这个问题？

justhal是对的，让我们将原始句子和发音句子视为字符串，所以我想要做的是将汉字与代词相匹配。

Answer 1

//警告：请注意，我不是日语专家，而且还在学习它。

据我所知，这个问题不能通过计算机算法在有或没有字典的情况下100％可靠地解决。我建议放弃。或者使用字典进行非完美的方法（字典优于没有字典）

最重要的部分是汉字不是西方字母。汉字是与概念/概念相关联的符号，概念组合在一起指向某个具有与之关联的（可发音）单词的对象。现在，汉字有常用读数列表（“on”/“kun”），但也有例外。

您的问题转化为：“给定的通配符序列与字母混合，将每个通配符与给定字符串中的字母序列匹配”。

示例：

猫に九生あり.-＆GT; +に++あり。

以下是您遇到的困难。

你不能明确地将发音分成与某个汉字相关的部分。对于像会社（かいしゃ）之类的简单事情你可以通过技术来识别映射到音节的有效字母序列（你不能将しゃ分成两个不同的部分），但是你最终会遇到有多个部分或有特别的阅读。示例：木阴（こかげ）哪个字母属于哪个汉字？
单词/短语的模糊分词。即粒子可以是阅读的一部分。物の怪“もののけ”现在，出于那两个“不”的，哪一个属于哪个汉字？
姓名和程式化的外来词。前两个例子可以用字典解决。名字需要特殊字典（一树读作“kazuki”，虽然一个没有“kazu”作为其“on”或“kun”阅读）。另一个很好的例子是来自死亡笔记的Yagami Light，外国单词“Light”（ライト）写为月（月/月，通常读作つき/げつ）显然，月不读作“光”。至于外国单词，“Slayers”中的火炎球发音（由主角）发音为“フャイヤーボール”（英语中的“火球”），但显然汉字没有那些读数。

这些问题不能通过算法明确处理，因此没有匹配字符串的算法。由于＃2，LCS和类似的例程将导致错误的拆分。

要使用字典，您可以使用edict或kanjidic中的数据，但这并不能保证完美的解决方案。您可能还想调查“mecab”项目。

- 编辑 -

我认为LCS是获得它的算法之一，但它认为有时由于连续的平假名可能会失败，所以有没有更好的算法来解决这个问题？

你不能这样解决。如果您只想将短语分成单词，则需要加载字典（15+兆字节的数据）并根据字典检查单个单词，此外，您还必须处理动词形式以在字典中查找单词。简单的通配符匹配在这里不起作用。

Answer 2

这似乎是一个比LCS更简单的问题，因为句子中的每个平假名必须出现在发音中。

让我们在句子中将一串平假名称为“h-string”。

如果句子中的h字符串与发音中的只匹配一个子字符串，那么我们可以分解问题。例如，这个：

[小* さくとも *健気で美しい月が]＆lt; =＆gt; [しょう* さくとも *けなげでびしいつきが]

成为这个：

[小]＆lt; =＆gt; [しょう]
[健気で美しい月が]＆lt; =＆gt; [けなげでびしいつきが]

在这个例子中，这个过程就足够了，因为没有歧义;每个h-string在发音中只出现一次。我们必须考虑更难的案例。

我将用罗马字符替换平假名和汉字的序列，部分用于抽象，但主要是因为我不会说日语而不能用真正的日语句子作为例子。上一个例子变为：

[AwBCxDyEz]＆lt; =＆gt; [swtxuyvz]

这容易发生故障：
一：■
BC：T
d：U
E：v

这个过程一直有效，直到我们遇到一个地图，其中所有的H字符串都是内部的，而且没有一个在发音中是唯一的：

[AyBzC]＆lt; =＆gt; [yuzyvzyzwzyx]

现在我们必须考虑所有可能的匹配：

[余德耀的ý v 以Z yzwzyx]
[余德耀的ý vzy 以Z wzyx]
[余德耀的ý vzyzw 以Z YX]
[yuzyvz的ý ZW 以Z YX]

在这种情况下，算法必须报告{A，B，C}的4种可能发音。

Answer 3

我建议将汉字句子转换为正则表达式，如下所示：

regex = "(*)さくとも(*)で(*)しい(*)が"

所以你要将汉字的所有连续子串转换为（*）。然后将该正则表达式与发音字符串匹配：

pronunciation = "しょうさくともけなげでびしいつきが"

如果它产生肯定匹配，大多数正则表达式库将能够告诉你“第n组括号中的文本是什么”。只需找到一个可以让你这样做的正则表达式库;事实上，如果没有这种能力，找到一个正则表达式库可能会更难。