היי
אני מקווה שהכותרת לא מפוצצת מידי, לא ידעתי איך לתאר את זה...
אני מתכנת ספציפית ב- PHP, אבל זה יותר בנושא אלגוריתם, שפת התכנות עצמה לא משנה.

אני רוצה לכתוב קוד שידע להסתכל על שני קטעים של טקסט, בשתי שפות שונות, ויוכל להעריך האם טקסט ב יכול להיות תרגום של טקסט א.
חשבתי לערוך כאן אלגוריתם שישקלל:

1. כמות ממוצעת של אותיות במילה לכל שפה
2. כמות מילים במשפט, כפונקציה של אורך הסטרינג
3. יחס אותיות למילים, אותיות לאורך הסטרינג
4. מרווח סעות - סטיית תקן כלשהי?

הבעיה שאותה אני מחפש לפתור:
אם היו לי 3 שורות מטקסט א', והן היו מתורגמות ל- 3 שורות בטקסט ב' לא הייתה בעיה.
אבל - כאשר טקסט א' מתורגם, יכול להיות שהוא "ייחתך" ליותר משורה אחת בטקסט ב'. ז"א, שאני צריך לדעת לזהות שהחיבור של כמה שורות בעצם מקורו בשורה אחת בטקסט המקורי. אני חושב שהדרך של הערכת נכונות התרגום היא הדרך לעשות את זה.

אני אשמח לשמוע את הצעותיכם בעניין, ובכלל זה:

• האם ישנם עוד שיקולים שצריך להתחשב בהם
• איזו אימפלמנטציה כדאי לעשות כאן (חישוב מתמטי במכה אחת, סריקה עפ"י קטעים...)
• מאיפה לקחת את הממוצעים - מתוך הטקסט עצמו + ס.ת. או כגדלים קבועים

מצאתי את הקישור הנ"ל:
http://stackoverflow.com/questions/...japanese-source
אבל הוא לא הכי עוזר לי, יש פה יותר מידי דיון על הדיאלקטים השונים של שפה יחידה.
לצורך העניין, אני מדבר על שפה עם דיאלקט יחיד (למשל, מאנגלית לעברית, מאנגלית לצרפתית, וכו')

תודה,
עמית

הדבר היחיד שאתה יכול לבדוק זו התאמה ע"י מילון ל-X אחוזים מהטקסט.

נצא מנקודת הנחה שאין לי דאטהבייס עם מילונים של כל השפות האפשריות
אני יותר חושב על הכיוון של השוואות על הטקסט שניתן לי, פלוס התחשבות בסטיות מסויימות

חוץ מספירת ניקוד : רווחים, פסיקים, נקודות, מרכאות וכן הלאה, אני לא רואה איזה מדד יעיל בשאר הקריטריונים שהצעת מכיוון שהם לא מתייחסים לעובדה שניתן לתרגם מילה ביותר ממובן אחד.

יש לך הצעה איך כן לעשות את זה? אם הבנת את הבעייתיות בסיטואציה
עם שימוש במה שיש לי כמובן, בלי מילונים וכולי

אז תשתמש בדאטאבייס של אנשים אחרים