Soundex
Soundex ist ein phonetischer Algorithmus zur Indexierung von Wörtern und Phrasen nach ihrem Klang in der englischen Sprache. Gleichklingende Wörter sollen dabei zu einer identischen Zeichenfolge codiert werden.
Der Soundex-Algorithmus erbringt aber häufig auch für die Deutsche Sprache gute Ergebnisse.
Soundex wurde von Russell für die Indizierung der Familiennamen der Volkszählung (Census) in den USA entwickelt und 1918 patentiert (US-Patent 1,261,167). Der Soundex-Code für ein Wort besteht aus seinem ersten Buchstaben gefolgt von drei Ziffern, die die nach dem Anfangsbuchstaben folgenden Konsonanten des Wortes repräsentieren. Ähnliche Laute besitzen den gleichen Code (B, F, P und V werden z.B. alle mit der Ziffer "1" codiert).
Grundregeln
Jeder Soundex-Code besteht aus einem Buchstaben gefolgt von drei Ziffern, z.B. W-213 für Wikipedia. Hat das zu codierende Wort soviele Buchstaben, daß man mehr Ziffern erzeugen könnte, bricht man nach der dritten Ziffer ab. Hat das Wort zu wenige Buchstaben, füllt man die letzten Ziffern mit 0-en auf. Der asiatische Name Lee wird also als L-000 codiert.
Buchstabencodes
| Ziffer | Repräsentierte Buchstaben |
|---|---|
| 1 | B, F, P, V |
| 2 | C, G, J, K, Q, S, X, Z |
| 3 | D, T |
| 4 | L |
| 5 | M, N |
| 6 | R |
Die Vokale A, E, I, O und U, als auch die Konsonanten H, W und Y sind zu ignorieren. Erweiternd für die deutsche Sprache definiert man: Die Umlaute Ä, Ö und Ü sind zu ignorieren, das "scharfe S" ß wird wie das einfache S als 2 codiert.
Doppelte Buchstaben
Doppelte Buchstaben, wie in Kallbach sind wie ein einzelner Buchstabe zu betrachten.
- Kallbach wird daher zu K-412 (K -> K, A wird verworfen, L -> 4, 2. L wird verworfen, B -> 1, 2. A wird verworfen, C -> 2, abbruch weil wir bereits 3 Ziffern haben).
Aufeinanderfolgende Buchstaben mit gleichem Soundex-Code
Werden wie gleiche Buchstaben behandelt.
- Hackelmeier wird daher zu H-245 (H -> H, A wird verworfen, C -> 2, K wird verworfen weil auch = 2, E wird verworfen, L -> 4, M -> 5, abbruch weil wir bereits 3 Ziffern haben.
Namenszusätze
Namenszusätze können ignoriert werden, oder normal mitcodiert werden. Bei der Suche ist dies entsprechend zu berücksichtigen, d.h. es sind ggf. zwei Suchen durchzuführen.
- von Neumann wird einmal zu V-555 oder zu N-550 (beachte auch die folgende Regel)
Konsonantentrennung
Werden zwei Konsonanten mit dem gleichen Soundex-Code durch ein Vokal (oder Y) getrennt, so wird der rechte Konsonant NICHT verworfen. Ist allerdings ein H oder ein W das Trennzeichen, so wird der rechte Konsonant wie bei der Aufeinanderfolgende Buchstaben-Regel verworfen.
Siehe auch: Metaphone, Miracode und en:Porter stemming algorithm
Kritik an dem Verfahren
Die Kritik bei der praktischen Anwendung des soundex-Verfahrens konzentriert sich insbesondere auf zwei Punkte: Einerseits die Englischlastigkeit des Verfahrens, andererseits die sehr grobe Analyse.
Dennoch ist festzuhalten, dass es sich bei dem dargestellten Algorithmus wohl um den am häufigsten angewendeten zur phonetischen Suche handelt. Mit dazu beigetragen hat sicherlich, dass unter der Datenbank ORACLE bereits sehr früh ein entsprechender PL/SQL-Standardbefehl implementiert wurde.
Hinsichtlich der Problematik, dass sich das Verfahren sehr an der englischen Aussprache orientiert, wurden verschiedene Varianten, speziell auf andere Sprachen abgestimmt, entwickelt. So ist beispielsweise unter SAP neben dem Standard-soundex-Verfahren auch eine Variante als sogenanntes "Kölner Verfahren" (oder auch "Kölner Phonetik") für deutsche Belange implementiert.
Hinsichtlich des zweiten Kritikpunktes, der nur groben Analyse, hat sich in letzter Zeit das folgende Beispiel etabliert: Gemäß dem "soundex"-Verfahren sind die Begriffe "Spears,Britney" und "Superzicke" phonetisch identisch.