1. Wie werden Wörter zurzeit normalisiert?

Im folgenden gehe ich alle Sprachen einzeln durch. Zuerst werden jeweils die Normalisierungen in der Arboreal-Klasse OrthographicRules​ aufgelistet, danach werden die Änderungen in der Backend-Klasse MpdlNormalizer​ (siehe auch hier) aufgelistet.

In den Tabellen wird immer zuerst die normalisierte Form genannt, und dann alle Formen, die in dieselbe Form normalisiert werden. Beispiel:

ae	æ (00E6) ę (0119)

bedeutet, dass æ und ę zu ae normalisiert werden. "--" bedeutet, dass die Form ganz getilgt wird. Bei combining characters habe ich jeweils ein o dazugemacht, damit man den combining character besser erkennen kann.

Latein

i	j
u	v
que	q;

";" wird getilgt, wenn das Zeichen direkt davor kein Buchstabe ("Character.isLetter") ist.

Malcolm: Linguistic note: /u/ and /v/ are rarely phonemic in Latin, as in

• alui 's/he nourished' vs. alvi 'of a belly',
• volui 's/he wished' or 'it rolled' vs. volvi 'to be rolled',
• (in)seruit 's/he joined together' vs. (in)servit 's/he serves'.

--	combining ò (0300) combining ó (0301) combining ô (0302) soft hyphen (00AD)
A	À (00C0) Á (00C1) Â (00C2) Ä (00C4) Ā (0100) Ă (0102)
Ae	Æ (00C6) Ę (0118)
C	Ç (00C7)
E	È (00C8) É (00C9) Ê (00CA) Ë (00CB) Ē (0112) Ĕ (0114)
I	Ì (00CC) Í (00CD) Î (00CE) Ï (00CF) Ī (012A) Ĭ (012C)
O	Ò (00D2) Ó (00D3) Ô (00D4) Ö (00D6) Ō (014C) Ŏ (014E)
Oe	Π(0152)
U	Ù (00D9) Ú (00DA) Û (00DB) Ü (00DC) Ū (016A) Ŭ (016C)
a	à (00E0) á (00E1) â (00E2) ä (00E4) ā (0101) ă (0103)
ae	æ (00E6) ę (0119)
c	ç (00E7)
e	è (00E8) é (00E9) ê (00EA) ë (00EB) ē (0113) ĕ (0115)
i	ì (00EC) í (00ED) î (00EE) ï (00EF) ī (012B) ĭ (012D)
o	ò (00F2) ó (00F3) ô (00F4) ö (00F6) ō (014D) ŏ (014F)
oe	œ (0153)
s	ſ (017F)
ss	ß (00DF)
u	ù (00F9) ú (00FA) û (00FB) ü (00FC) ū (016B) ŭ (016D)
--	〈 (2329) 〉 (232A)

Beachte: Zirkumflex (z.B. û 00FB, ê 00EA) wird normalisiert, aber nicht Tilde (z.B. ũ 0169, ẽ 1EBD)

Backend zusätzlich:

e	Ḕ (1E14) ḕ (1E15) Ḗ (1E16) ḗ (1E17) Ḙ (1E18) ḙ (1E19) Ḛ (1E1A) ḛ (1E1B) Ḝ (1E1C) ḝ (1E1D) Ẹ (1EB8) ẹ (1EB9) Ẻ (1EBA) ẻ (1EBB) Ẽ (1EBC) ẽ (1EBD) Ế (1EBE) ế (1EBF) Ề (1EC0) ề (1EC1) Ể (1EC2) ể (1EC3) Ễ (1EC4) ễ (1EC5) Ệ (1EC6) ệ (1EC7)

Insbesondere wird jetzt auch ẽ (1EBD) normalisiert.

Italienisch

Regeln:

• j: ij wird zu ii
• t: tio wird zu zio (i und o können auch groß sein)
• h am Wortanfang wird getilgt, außer bei hai, hanno, ho* ('h' only appears at the beginning of some pres. indic. forms of 'avere' -- with the exception of some unimportant loanwords in modern Italian (which I choose to ignore))
• hyphen/soft hyphen wird vor whitespace getilgt, soft hyphen wird durch hyphen ersetzt

• u wird zu v, wenn direkt davor und danach ein Vokal (d.h. A E I O U Æ Œ in groß/klein) steht (hyphen/soft hyphen davor wird übersprungen)
• v wird zu u, wenn direkt davor und danach ein Konsonant (d.h. B C D F G H K L M N P Q R S T V W X Z in groß/klein sowie ſ ß) steht (hyphen/soft hyphen danach wird übersprungen). Am Anfang eines Wortes oder wenn direkt davor kein Buchstabe ist, reicht ein Konsonant danach.

Beachte den Unterschied zur einfachen Regel "v wird u" im Lateinischen. Beispiele für Malcolms Algorithmus:

vnum	unum
diuerſarum	diversarum
DIVERSARVM	DIVERSARUM
PARVVS	PARUUS
octauum	octavum
loquuti	loquuti

Programmfehler bei "v" (falsch, richtig):

while ((((c_n = s.charAt(y)) == '-') || (c_n == '\u00ad')) && (y++ > 0));
while ((((c_n = s.charAt(y)) == '-') || (c_n == '\u00ad')) && (y++ < s.length() - 1));

Wortanfang definiert als whitespace oder ’ (2019) oder \

Ae	Æ (00C6)
Oe	Π(0152)
ae	æ (00E6)
oe	œ (0153)
s	ſ (017F)
ss	ß (00DF)
À (00C0)	Á (00C1)
È (00C8)	É (00C9)
Ì (00CC)	Í (00CD)
Ò (00D2)	Ó (00D3)
Ù (00D9)	Ú (00DA)
à (00E0)	á (00E1)
è (00E8)	é (00E9)
ì (00EC)	í (00ED)
ò (00F2)	ó (00F3)
ù (00F9)	ú (00FA)

also:

• Diphthongzeichen aufgelöst, ſ und ß (Teilmenge der Regeln für Latein)
• Gravis wird zu Akut (anders als bei Latein)

Backend:

Regeln für u, j, v, t, h, hyphen nicht übertragen wegen Programmfehler(n)

stattdessen die lateinischen Regeln übernommen (allerdings ohne j, v, "q;", ";", combining characters, soft hyphen, 〈 〉). Die zusätzlichen e-Varianten sind ebenfalls nicht übernommen, stattdessen eine neue Regel "ẍ (1E8D) wird zu e" (gemeint ist ẽ (1EBD), was auch in den zusätzlichen Regeln für Latein vorkommt).

Englisch

Englisch fehlt in Arboreal.

Backend: wie bei Latein; wieder ohne j, v, "q;", ";", aber mit combining characters, soft hyphen, 〈 〉. Wieder zusätzlich mit ẍ (1E8D).

Französisch

Regeln für u und v genau wie bei Italienisch, mit dem gleichen Programmfehler.

--	hyphen (002D) soft hyphen (00AD)
ae	æ (00E6)
s	ſ (017F)
ss	ß (00DF)

Beachte: œ wird nicht normalisiert.

Backend: Regeln für u und v weggelassen. Ansonsten wie bei Arboreal.

Deutsch

In Arboreal eine andere Definition für Wortanfang ("beginWord") als zum Beispiel im Italienischen: nach Whitespace und . , : ; ? ! ( < [ ' " ‘ “ (wird nur dafür verwendet, das Wort ab dem zweiten Buchstaben in Kleinbuchstaben umzuwandeln)

--	hyphen (002D) soft hyphen (00AD)
Ae	Ä (00C4)
Oe	Ö (00D6)
Ue	Ü (00DC)
ae	ä (00E4)
e	é (00E9)
oe	ö (00F6)
ss	ß (00DF)
ue	ü (00FC)

Backend: genauso

Chinesisch

" "	"　" (3000)
,	、 (3001)
.	。 (3002)
1	¹ (00B9)
2	² (00B2)
3	³ (00B3)
4	⁴ (2074)
5	⁵ (2075)

Die Zeile, die ZWS (200B) tilgt, ist auskommentiert mit dem Kommentar "BREAKS EVERYTHING!"

Backend: Genauso, allerdings sind die Zeilen für "　" (3000) 、(3001) 。(3002) als Folge von Ticket ​#32 auskommentiert.

Arabisch

Trage ich bei Interesse nach.

(fehlt im Backend)

Keilschrift

Das meint:

• akk: Akkadisch/Akkadian
• sux: Sumerisch/Sumerian
• elx: Elamisch/Elamite
• hit: Hethitisch/Hittite
• ura: Urartäisch/Urartian? (ISO 639-3: ura ist eine Amazonas-Sprache (Urarina), Urartäisch ist xur)
• peo: Altpersisch/Old Persian
• uga: Ugaritisch/Ugaritic
• qam: local use
• qcu: local use
• qhu: local use
• qpc: local use

Trage ich bei Interesse nach.

(Backend: wie bei Arboreal)

Griechisch

σ (03C3)	ς (03C2)
--	< > [ ] 1 2
ά (1F71)	ά (03AC)
έ (1F73)	έ (03AD)
ή (1F75)	ή (03AE)
ί (1F77)	ί (03AF)
ό (1F79)	ό (03CC)
ύ (1F7B)	ύ (03CD)
ώ (1F7D)	ώ (03CE)
--	hyphen (002D) soft hyphen (00AD)

Optisch identisch, aber "Tonos" (der monotonische Akzent im modernen Griechisch) wird zu "Oxia" (der Akut im Altgriechischen).

Tippfehler: \uu1f7d statt \u1f7d bei ώ

Backend: genauso; Tippfehler korrigiert

Griechisch ohne Diakritika

Greek Atonic ("el_atonic") meint, dass alle Diakritika, d.h. Akzente, Spiritus, Trema ("dialytika", ϋ 03CB) und Iota subscriptum/adscriptum, weggelassen werden. Normales modernes Griechisches hat dagegen noch Betonungszeichen (Tonos) bei mehrsilbigen Wörtern.

σ (03C3)

ς (03C2)

"map characters with diacritics to their plain equivalent":

Α (0391)	Ἀ (1F08) Ἁ (1F09) Ἂ (1F0A) Ἃ (1F0B) Ἄ (1F0C) Ἅ (1F0D) Ἆ (1F0E) Ἇ (1F0F) ᾈ (1F88) ᾉ (1F89) ᾊ (1F8A) ᾋ (1F8B) ᾌ (1F8C) ᾍ (1F8D) ᾎ (1F8E) ᾏ (1F8F) Ὰ (1FBA) Ά (1FBB) ᾼ (1FBC)
Ε (0395)	Ἐ (1F18) Ἑ (1F19) Ἒ (1F1A) Ἓ (1F1B) Ἔ (1F1C) Ἕ (1F1D)
Η (0397)	Ἠ (1F28) Ἡ (1F29) Ἢ (1F2A) Ἣ (1F2B) Ἤ (1F2C) Ἥ (1F2D) Ἦ (1F2E) Ἧ (1F2F) ᾘ (1F98) ᾙ (1F99) ᾚ (1F9A) ᾛ (1F9B) ᾜ (1F9C) ᾝ (1F9D) ᾞ (1F9E) ᾟ (1F9F) Ὴ (1FCA) Ή (1FCB) ῌ (1FCC)
Ι (0399)	Ϊ (03AA) Ἰ (1F38) Ἱ (1F39) Ἲ (1F3A) Ἳ (1F3B) Ἴ (1F3C) Ἵ (1F3D) Ἶ (1F3E) Ἷ (1F3F) Ὶ (1FDA)
Ο (039F)	Ὀ (1F48) Ὁ (1F49) Ὂ (1F4A) Ὃ (1F4B) Ὄ (1F4C) Ὅ (1F4D) Ί (1FDB) Ὸ (1FF8) Ό (1FF9)
Ρ (03A1)	Ῥ (1FEC)
Υ (03A5)	Ϋ (03AB) ὘ (1F58) Ὑ (1F59) ὚ (1F5A) Ὓ (1F5B) ὜ (1F5C) Ὕ (1F5D) ὞ (1F5E) Ὗ (1F5F) Ὺ (1FEA) Ύ (1FEB)
Ω (03A9)	Ὠ (1F68) Ὡ (1F69) Ὢ (1F6A) Ὣ (1F6B) Ὤ (1F6C) Ὥ (1F6D) Ὦ (1F6E) Ὧ (1F6F) ᾨ (1FA8) ᾩ (1FA9) ᾪ (1FAA) ᾫ (1FAB) ᾬ (1FAC) ᾭ (1FAD) ᾮ (1FAE) ᾯ (1FAF) Ὼ (1FFA) Ώ (1FFB) ῼ (1FFC)
α (03B1)	ἀ (1F00) ἁ (1F01) ἂ (1F02) ἃ (1F03) ἄ (1F04) ἅ (1F05) ἆ (1F06) ἇ (1F07) ὰ (1F70) ά (1F71) ᾀ (1F80) ᾁ (1F81) ᾂ (1F82) ᾃ (1F83) ᾄ (1F84) ᾅ (1F85) ᾆ (1F86) ᾇ (1F87) ᾲ (1FB2) ᾳ (1FB3) ᾴ (1FB4) ᾶ (1FB6) ᾷ (1FB7)
ε (03B5)	ἐ (1F10) ἑ (1F11) ἒ (1F12) ἓ (1F13) ἔ (1F14) ἕ (1F15) ὲ (1F72) έ (1F73)
η (03B7)	ἠ (1F20) ἡ (1F21) ἢ (1F22) ἣ (1F23) ἤ (1F24) ἥ (1F25) ἦ (1F26) ἧ (1F27) ὴ (1F74) ή (1F75) ᾐ (1F90) ᾑ (1F91) ᾒ (1F92) ᾓ (1F93) ᾔ (1F94) ᾕ (1F95) ᾖ (1F96) ᾗ (1F97) ῂ (1FC2) ῃ (1FC3) ῄ (1FC4) ῆ (1FC6) ῇ (1FC7)
ι (03B9)	ϊ (03CA) ἰ (1F30) ἱ (1F31) ἲ (1F32) ἳ (1F33) ἴ (1F34) ἵ (1F35) ἶ (1F36) ἷ (1F37) ὶ (1F76) ί (1F77) ῒ (1FD2) ΐ (1FD3) ῖ (1FD6) ῗ (1FD7)
ο (03BF)	ό (03CC) ὀ (1F40) ὁ (1F41) ὂ (1F42) ὃ (1F43) ὄ (1F44) ὅ (1F45) ὸ (1F78) ό (1F79)
ρ (03C1)	ῤ (1FE4) ῥ (1FE5)
υ (03C5)	ϋ (03CB) ύ (03CD) ὐ (1F50) ὑ (1F51) ὒ (1F52) ὓ (1F53) ὔ (1F54) ὕ (1F55) ὖ (1F56) ὗ (1F57) ὺ (1F7A) ύ (1F7B) ῢ (1FE2) ΰ (1FE3) ῦ (1FE6) ῧ (1FE7)
ω (03C9)	ώ (03CE) ὠ (1F60) ὡ (1F61) ὢ (1F62) ὣ (1F63) ὤ (1F64) ὥ (1F65) ὦ (1F66) ὧ (1F67) ὼ (1F7C) ώ (1F7D) ᾠ (1FA0) ᾡ (1FA1) ᾢ (1FA2) ᾣ (1FA3) ᾤ (1FA4) ᾥ (1FA5) ᾦ (1FA6) ᾧ (1FA7) ῲ (1FF2) ῳ (1FF3) ῴ (1FF4) ῶ (1FF6) ῷ (1FF7)

Außerdem

--	< > [ ]
--	hyphen (002D) soft hyphen (00AD)

(aber nicht 1 und 2)

Außerdem einige fehlerhafte Einträge:

΁ (0381)	ά (03AC)
΅ (0385)	έ (03AD)
· (0387)	ή (03AE)
Ή (0389)	ί (03AF)

Diese Einträge enthalten denselben Tippfehler; gemeint ist

α (03B1)	ά (03AC)
ε (03B5)	έ (03AD)
η (03B7)	ή (03AE)
ι (03B9)	ί (03AF)

Diese Regeln sind offenbar nicht oft verwendet worden.

Backend: genauso

Weiteres

In Arboreal werden alle Buchstaben eines Wortes außer dem ersten in Kleinbuchstaben normalisiert. (Ausnahme natürlich u.a. Chinesisch.) In der Backend-Version wurde dies weggelassen.

In der Backend-Version gibt es zusätzlich eine Methode "deNormalizeToRegExpr". Diese Methode erstellt Teile von regexes, die für Latein, Deutsch und Englisch wohl aus einer normalisierten Form alle Wortformen finden soll, die zu dieser Wortform normalisiert werden. Die Implementation scheint allerdings fehlerhaft zu sein. Ein Beispiel: Wasserstraße wird normalisiert zu Wasserstrasse, daraus wird in "deNormalizeToRegExpr" wiederum "Waßerstraße|Wass[eé]rstrass[eé]". Es werden also die Wortformen Waßerstraße, Wasserstrasse, Wassérstrasse, Wasserstrassé und Wassérstrassé gefunden, aber nicht die originale Form Wasserstraße.