Phonetischer Algorithmus nach dem Kölner Verfahren

Implementationen

Oracle PL/SQL: x3m_soundex_ger.sql
PHP: x3m_soundex_ger.php
Kotlin: PhoneticConverter.kt (Von Steffen Halstrick steffenhalstrick@t-online.de)
Dart: german_phonetics.kt (Von Steffen Halstrick <steffenhalstrick@t-online.de>)

Einleitung

Die Kölner Phonetik (auch Kölner Verfahren) ist ein phonetischer Algorithmus, der Wörtern nach ihrem Sprachklang eine Zeichenfolge zuordnet, den phonetischen Code. Ziel dieses Verfahrens ist es, gleich klingenden Wörtern den selben Code zuzuordnen, um bei Suchfunktionen eine Ähnlichkeitssuche zu implementieren. Damit ist es beispielsweise möglich, in einer Namensliste Einträge wie "Meier" auch unter anderen Schreibweisen, wie "Maier", "Mayer" oder "Mayr", zu finden.

Die Kölner Phonetik ist, im Vergleich zum bekannteren Russell-Soundex-Verfahren, besser auf die deutsche Sprache abgestimmt. Sie wurde 1969 von Postel veröffentlicht.

Algorithmus

Die Kölner Phonetik bildet jeden Buchstaben eines Wortes auf eine Ziffer
zwischen "0" und "8" ab, wobei für die Auswahl der jeweiligen Ziffer
maximal ein benachbarter Buchstabe als Kontext benutzt wird. Einige
Regeln gelten speziell für den Wortanfang (Anlaut). Auf diese Weise wird
ähnlichen Lauten derselbe Code zugeordnet. Die beiden Buchstaben "W"
und "V" beispielsweise werden mit der Ziffer "3" codiert. Der
phonetische Code für "Wikipedia" lautet "3412". Im Gegensatz zum
Soundex-Code ist die Länge des phonetischen Codes nach der Kölner
Phonetik nicht beschränkt.

Buchstabe	Kontext	Code
A, E, I, J, O, U, Y		0
H		-
B		1
P	nicht vor H	1
D, T	nicht vor C, S, Z	2
F, V, W		3
P	vor H	3
G, K, Q		4
C	im Anlaut vor A, H, K, L, O, Q, R, U, X	4
C	vor A, H, K, O, Q, U, X außer nach S, Z	4
X	nicht nach C, K, Q	48
L		5
M, N		6
R		7
S, Z		8
C	nach S, Z	8
C	im Anlaut außer vor A, H, K, L, O, Q, R, U, X	8
C	nicht vor A, H, K, O, Q, U, X	8
D, T	vor C, S, Z	8
X	nach C, K, Q	8

Dass für den Buchstaben "C" die Regel "SC" Vorrang vor der Regel "CH"
hat, wurde durch den Zusatz "außer nach S, Z" in Zeile 10 der Tabelle
berücksichtigt. Dies wird in der Originalveröffentlichung zwar nicht
explizit erwähnt, kann aber aus den dort angeführten Beispielen
geschlossen werden (z. B. für "Breschnew" wird als Code "17863"
angegeben).

Die Umwandlung eines Wortes erfolgt in 3 Schritten:

Buchstabenweise Kodierung von links nach rechts entsprechend der Umwandlungstabelle.
Entfernen aller mehrfachen Codes.
Entfernen aller Codes "0" außer am Anfang.

Beispiel

Der Name "Müller-Lüdenscheidt" wird folgendermaßen kodiert:

Buchstabenweise Kodierung: 60550750206880022
Entfernen aller mehrfachen Codes: 6050750206802
Entfernen aller Codes "0": 65752682

Code Beispiele

PHP

require_once 'x3m_soundex_ger.php';
$phoneticcode = soundex_ger("Meier");

Oracle PL/SQL

Funktion: SOUNDEX_GER()

Select SOUNDEX_GER('Meier'), SOUNDEX_GER('Meyer') from Dual

Funktion: SOUNDEX_GER_MW()

Die Funktion SOUNDEX_GER_MW() dient als Multi-Word-Wrapper von SOUNDEX_GER(). d.h. Die Funktion bricht den Eingabe-String in einzelne Worte auf und codiert jedes einzelne Wort mit SOUNDEX_GER().

Select SOUNDEX_GER_MW('Mueller Luedenscheidt') from Dual

Die Multi-Word-Funktion ist deshalb wichtig, weil auch schon das im Netz üblicherweise dokumentierte Beispiel Müller-Lüdenscheidt eigentlich falsch gewählt ist. Müller-Lüdenscheidt sind 2 Wörter und damit gibt es 2 Anlaute und 2 Auslaute. Bei diesem Beispiel tritt das nicht zu Tage, aber z.B. bei Heinz Classen (im Unterschied zu HeinzClassen, was nämlich normalerweise kodiert würde). Wird "Heinz Classen" mit der üblichen Implementierung kodiert und dabei ignoriert, dass es sich um 2 Wörter handelt, dann entsteht 068586, wobei Z zu 8 und C ebenfalls zu 8 wird und die zweite 8 entfällt. Wird es als zwei Wörter behandelt, dann wird C zu 4 und bleibt erhalten, also 068 4586.

deezaster/germanphonetic