2009 Harri Pitkänen <hatapitk@iki.fi>                    GPLv2+

 Oikoluvun korjausehdotusten järjestäminen

 =========================================

Seuraavassa on kuvattu algoritmi, jolla oikoluvun korjausehdotukset

järjestetään. Perusperiaate on, että kullekin korjausehdotukselle

lasketaan käänteinen painokerroin siten, että sana, jolla on pienin

painokerroin, tulkitaan todennäköisimmäksi korjaukseksi tunnistamattomalle

sanalle. Painokertoimet ovat positiivisia kokonaislukuja.

Vaihe 1:

Korjausehdotukselle annetaan sanaluokasta ja taivutusmuodosta riippuva

paino p1 seuraavasti taulukon mukaan:

NOMINIT

Sijamuoto     p1 

nimentö       2

omanto        3

osanto        5

olento       20

tulento      20

sisäolento    8

sisäeronto   12

sisätulento   8

ulko-olento  12

ulkoeronto   30

ulkotulento  20

vajanto      60

seuranto     60

keinonto     20

Yllä olevat painokertoimet perustuvat löyhästi taivutusmuotojen

yleisyyteen kirjoitetussa tekstissä (VISK § 1227).

MUIDEN SANALUOKKIEN SANAT: p1 = 4

Vaihe 2:

Kerroin p2 lasketaan sen mukaan, miten monta vahvan morfeemirajan

erottamaa osaa siinä on.

 p2 = 8^(min({erillisten osien lukumäärä}, 5) - 1).

Vaihe 3:

Kerroin p3 määräytyy siitä, kuinka suuria muutoksia sanan kirjainkoon

käyttöön on tehtävä, jotta sana olisi oikein kirjoitettu.

 Jos sana on sellaisenaan oikein, p3 = 1.

 Jos sanan alkukirjain on vaihdettava isoksi kirjaimeksi, p3 = 2.

 Jos sanan kirjainkokoon on tehtävä muita muutoksia kuin ensimmäisen

 kirjaimen muuttaminen isoksi, p3 = 3.

Monikäsitteiset sanat:

Jos sanalla on useita analyysejä, valitaan painokertoimet siitä

analyysistä, jonka painokerroin p3 on pienin. Jos näitäkin on useita,

valitaan se analyysi, jonka painokertoimien tulo p1 * p2 * p3 on

pienin.

Vaihe 4:

Korjausehdotusten generointijärjestys Voikossa on sellainen, että

ensin generoidaan ehdotukset, jotka eroavat alkuperäisestä sanasta

mahdollisimman vähän. Generointijärjestyksen määrää käytettävä

SuggestionStrategy-olio, joten järjestys riippuu myös siitä, ollaanko

korjaamassa ihmisen tekemiä näppäilyvirheitä vai optisessa

tekstintunnistuksessa tapahtuneita virheitä. Generointijärjestys

vaikuttaa sanan painokertoimeen seuraavan kaavan mukaisesti:

 n = korjausehdotuksen järjestysluku (ensimmäinen = 0)

 p4 = n + 5

Lopullinen painokerroin:

Lopullinen painokerroin on edellä laskettujen painokerrointen tulo:

 p = p1 * p2 * p3 * p4

Jos korjauksena ehdotetaan sanan jakamista kahteen osaan, lasketaan

kertoimet p1, p2 ja p3 kummallekin osalle erikseen, ja lopullinen

kerroin on

 p = (p1_1 * p2_1 * p3_1 + p1_2 * p2_2 * p3_2) * p4

Painokerrointen arvoalue on siis generoitaessa enintään 15 ehdotusta

 [2 * 1 * 1 * 5, 60 * 4096 * 3 * 19] = [10, 14 008 320]

Lähteet:

VISK = Auli Hakulinen, Maria Vilkuna, Riitta Korhonen, Vesa Koivisto,

Tarja Riitta Heinonen ja Irja Alho 2004: Iso suomen kielioppi.

Helsinki: Suomalaisen Kirjallisuuden Seura. Verkkoversio, viitattu 11.9.2009.

Saatavissa: http://scripta.kotus.fi/visk URN:ISBN:978-952-5446-35-7