Jak zjistit a opravit překlep

Pokud se do hledání v Google zadá místo „css selektory“ řetězec „ccs selektory“, umělá inteligence pochopí, že se uživatel nejspíš přepsal a rovnou vyhledá variantu, kterou usoudí za správnou:

Pokud si program není tolik jistý, vyhledá skutečně zadaný výraz a možný překlep nabídne v „Měli jste na mysli“:

Jak překlepy odhalovat na svém webu?

Podobnost řetězců

levenshtein

V PHP jde použít funkci levenshtein, která vrací vzdálenost dvou řetězců (na pořadí nezáleží).

<?php
echo levenshtein("fytopuf", "fyropuf");

Její chování se dá složitě matematicky popsat nebo zkrátka jen vycházet z toho, že vrací číslo, které je rovno počtu změněných znaků, aby se z jednoho řetězce stal druhý.

Čím nižší číslo, tím jsou řetězce podobnější.

Z fyropufu se udělá fytopuf tak, že nahradí r za t, tedy se musí změnit jeden znak. Funkce levenshtein vrátí pro tyto řetězce 1. Byli-li by oba dva řetězce stejné, výsledkem bude 0. Pokud se ve slově prohodí dvě písmena, výsledná vzdálenost bude 2.

Na první pohled toto chování vypadá báječně. Pokud se uživatelem zadaný řetězec v prohledávaných datech nevyskytuje, spočítá se pro každé slovo levenshtein a výsledek s nejnižší hodnotou bude oprava překlepu.

Úskalí funkce levenshtein

Bohužel to má zásadní vady. Zvlášť u krátkých řetězců se na nízkou hodnotu dostanou na první pohled nesouvisející slova.

Následující příklad je z Nette, které se v případě neexistující proměnné pokouší hledat nějakou nejpodobnější:

1. Řetězec $tags je od $this vzdálen o hodnotu 2.

2. Stejně tak ale $tags od $tasg.

Zatímco druhý případ je překlep, první nikoliv. Výsledná vzdálenost je v obou případech stejná.

David Grudl se to následně pokusil vyřešit změnou vah.

levenshtein($prvni, $druhy, 10, 11, 10);

Funkce levenshtein má totiž nepovinné parametry, kam jde nastavit, kolik stojí jednotlivé operace jako je vložení, nahrazení a odstranění.

Zvýšením hodnoty nahrazení je tedy prohození písmen bráno jako podobnější než použití úplně jiných znaků.

levenshtein("tags", "this", 10, 11, 10); // 22
levenshtein("tags", "tasg", 10, 11, 10); // 20

Funkce similar_text

V PHP existuje ještě funkce similar_text – ta se chová podobně jako levenshtein.

Umí navíc vypsat podobnost v procentech:

similar_text("css", "ccs", $podobnost);
echo $podobnost; // 66.66

Druhy překlepů

Překlepů existuje více druhů:

1. Prohození písmen – místo tags člověk napíše tasg.

2. Špatná klávesa – uživatel stiskne omylem sousední klávesu, například napíše tafs místo tags, protože G a F jsou vedle sebe.

   V extrémním případě potom posune celé slovo, protože položil ruce na klávesnici do špatné polohy. Místo les vnikne kwa:

   

3. QWERTZ vs. QWERTY – česká klávesnice má oproti anglické prohozené Z a Y, místo fytopuf tak vnikne fztopuf.

4. Vynechání písmene – třeba místo napíše vznikne jen napíe.

5. „Přeřeknutí“ – i při psaní může člověk splést první slovo, protože už myslí na druhé. V bodu dva jsem například místo „potom posune“ napsal omylem „postom posune“.

6. Neznalost – uživatel neví, jak se slovo správně píše. Třeba místo bizarní napíše bizardní, místo css napíše ccs a podobně.

   Větší problém je toto v angličtině, kde se slova jinak píší a jinak vyslovují. K tomu má PHP dvě funkce metaphone a soundex, které řeší právě výslovnost.

Řešení překlepů

Určovat čistě programově, co chtěl člověk napsat, je tedy značně obtížné.

Hodí se k tomu potřeba zpětná vazba návštěvníků. Třeba zrovna jako v případě Googlu, který se uživatelů ptá, jestli náhodou nechtěl hledat něco jiného.

V praxi to jde relativně snadno řešit tak, že se při nenalezení žádných výsledků pro hledané slovo funkcí levenshtein najde podobný výraz, pro který už nějaké výsledky existují.

Využití

Kromě použití při vyhledávání se podobnost může hodit u opravování URL:

Teoreticky by podobnost šlo používat pro automatické vytváření interních odkazů. Kdy by se ze slova „odkazů“ udělal automaticky odkaz na stránku odkazy. Dalšími postupy se zabývá článek na nejlepším českém blogu o programování: