PCQRSCANER/venv/Lib/site-packages/nltk/metrics/aline.py

1357 lines
31 KiB
Python
Raw Normal View History

2019-12-22 21:51:47 +01:00
# -*- coding: utf-8 -*-
# Natural Language Toolkit: ALINE
#
# Copyright (C) 2001-2019 NLTK Project
# Author: Greg Kondrak <gkondrak@ualberta.ca>
# Geoff Bacon <bacon@berkeley.edu> (Python port)
# URL: <http://nltk.org/>
# For license information, see LICENSE.TXT
"""
ALINE
http://webdocs.cs.ualberta.ca/~kondrak/
Copyright 2002 by Grzegorz Kondrak.
ALINE is an algorithm for aligning phonetic sequences, described in [1].
This module is a port of Kondrak's (2002) ALINE. It provides functions for
phonetic sequence alignment and similarity analysis. These are useful in
historical linguistics, sociolinguistics and synchronic phonology.
ALINE has parameters that can be tuned for desired output. These parameters are:
- C_skip, C_sub, C_exp, C_vwl
- Salience weights
- Segmental features
In this implementation, some parameters have been changed from their default
values as described in [1], in order to replicate published results. All changes
are noted in comments.
Example usage
-------------
# Get optimal alignment of two phonetic sequences
>>> align('θin', 'tenwis') # doctest: +SKIP
[[('θ', 't'), ('i', 'e'), ('n', 'n'), ('-', 'w'), ('-', 'i'), ('-', 's')]]
[1] G. Kondrak. Algorithms for Language Reconstruction. PhD dissertation,
University of Toronto.
"""
from __future__ import unicode_literals
try:
import numpy as np
except ImportError:
np = None
# === Constants ===
inf = float('inf')
# Default values for maximum similarity scores (Kondrak 2002: 54)
C_skip = 10 # Indels
C_sub = 35 # Substitutions
C_exp = 45 # Expansions/compressions
C_vwl = 5 # Vowel/consonant relative weight (decreased from 10)
consonants = [
'B',
'N',
'R',
'b',
'c',
'd',
'f',
'g',
'h',
'j',
'k',
'l',
'm',
'n',
'p',
'q',
'r',
's',
't',
'v',
'x',
'z',
'ç',
'ð',
'ħ',
'ŋ',
'ɖ',
'ɟ',
'ɢ',
'ɣ',
'ɦ',
'ɬ',
'ɮ',
'ɰ',
'ɱ',
'ɲ',
'ɳ',
'ɴ',
'ɸ',
'ɹ',
'ɻ',
'ɽ',
'ɾ',
'ʀ',
'ʁ',
'ʂ',
'ʃ',
'ʈ',
'ʋ',
'ʐ ',
'ʒ',
'ʔ',
'ʕ',
'ʙ',
'ʝ',
'β',
'θ',
'χ',
'ʐ',
'w',
]
# Relevant features for comparing consonants and vowels
R_c = [
'aspirated',
'lateral',
'manner',
'nasal',
'place',
'retroflex',
'syllabic',
'voice',
]
# 'high' taken out of R_v because same as manner
R_v = [
'back',
'lateral',
'long',
'manner',
'nasal',
'place',
'retroflex',
'round',
'syllabic',
'voice',
]
# Flattened feature matrix (Kondrak 2002: 56)
similarity_matrix = {
# place
'bilabial': 1.0,
'labiodental': 0.95,
'dental': 0.9,
'alveolar': 0.85,
'retroflex': 0.8,
'palato-alveolar': 0.75,
'palatal': 0.7,
'velar': 0.6,
'uvular': 0.5,
'pharyngeal': 0.3,
'glottal': 0.1,
'labiovelar': 1.0,
'vowel': -1.0, # added 'vowel'
# manner
'stop': 1.0,
'affricate': 0.9,
'fricative': 0.85, # increased fricative from 0.8
'trill': 0.7,
'tap': 0.65,
'approximant': 0.6,
'high vowel': 0.4,
'mid vowel': 0.2,
'low vowel': 0.0,
'vowel2': 0.5, # added vowel
# high
'high': 1.0,
'mid': 0.5,
'low': 0.0,
# back
'front': 1.0,
'central': 0.5,
'back': 0.0,
# binary features
'plus': 1.0,
'minus': 0.0,
}
# Relative weights of phonetic features (Kondrak 2002: 55)
salience = {
'syllabic': 5,
'place': 40,
'manner': 50,
'voice': 5, # decreased from 10
'nasal': 20, # increased from 10
'retroflex': 10,
'lateral': 10,
'aspirated': 5,
'long': 0, # decreased from 1
'high': 3, # decreased from 5
'back': 2, # decreased from 5
'round': 2, # decreased from 5
}
# (Kondrak 2002: 59-60)
feature_matrix = {
# Consonants
'p': {
'place': 'bilabial',
'manner': 'stop',
'syllabic': 'minus',
'voice': 'minus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'b': {
'place': 'bilabial',
'manner': 'stop',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
't': {
'place': 'alveolar',
'manner': 'stop',
'syllabic': 'minus',
'voice': 'minus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'd': {
'place': 'alveolar',
'manner': 'stop',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ʈ': {
'place': 'retroflex',
'manner': 'stop',
'syllabic': 'minus',
'voice': 'minus',
'nasal': 'minus',
'retroflex': 'plus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ɖ': {
'place': 'retroflex',
'manner': 'stop',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'plus',
'lateral': 'minus',
'aspirated': 'minus',
},
'c': {
'place': 'palatal',
'manner': 'stop',
'syllabic': 'minus',
'voice': 'minus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ɟ': {
'place': 'palatal',
'manner': 'stop',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'k': {
'place': 'velar',
'manner': 'stop',
'syllabic': 'minus',
'voice': 'minus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'g': {
'place': 'velar',
'manner': 'stop',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'q': {
'place': 'uvular',
'manner': 'stop',
'syllabic': 'minus',
'voice': 'minus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ɢ': {
'place': 'uvular',
'manner': 'stop',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ʔ': {
'place': 'glottal',
'manner': 'stop',
'syllabic': 'minus',
'voice': 'minus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'm': {
'place': 'bilabial',
'manner': 'stop',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'plus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ɱ': {
'place': 'labiodental',
'manner': 'stop',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'plus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'n': {
'place': 'alveolar',
'manner': 'stop',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'plus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ɳ': {
'place': 'retroflex',
'manner': 'stop',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'plus',
'retroflex': 'plus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ɲ': {
'place': 'palatal',
'manner': 'stop',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'plus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ŋ': {
'place': 'velar',
'manner': 'stop',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'plus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ɴ': {
'place': 'uvular',
'manner': 'stop',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'plus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'N': {
'place': 'uvular',
'manner': 'stop',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'plus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ʙ': {
'place': 'bilabial',
'manner': 'trill',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'B': {
'place': 'bilabial',
'manner': 'trill',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'r': {
'place': 'alveolar',
'manner': 'trill',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'plus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ʀ': {
'place': 'uvular',
'manner': 'trill',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'R': {
'place': 'uvular',
'manner': 'trill',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ɾ': {
'place': 'alveolar',
'manner': 'tap',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ɽ': {
'place': 'retroflex',
'manner': 'tap',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'plus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ɸ': {
'place': 'bilabial',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'minus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'β': {
'place': 'bilabial',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'f': {
'place': 'labiodental',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'minus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'v': {
'place': 'labiodental',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'θ': {
'place': 'dental',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'minus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ð': {
'place': 'dental',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
's': {
'place': 'alveolar',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'minus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'z': {
'place': 'alveolar',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ʃ': {
'place': 'palato-alveolar',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'minus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ʒ': {
'place': 'palato-alveolar',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ʂ': {
'place': 'retroflex',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'minus',
'nasal': 'minus',
'retroflex': 'plus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ʐ': {
'place': 'retroflex',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'plus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ç': {
'place': 'palatal',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'minus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ʝ': {
'place': 'palatal',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'x': {
'place': 'velar',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'minus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ɣ': {
'place': 'velar',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'χ': {
'place': 'uvular',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'minus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ʁ': {
'place': 'uvular',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ħ': {
'place': 'pharyngeal',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'minus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ʕ': {
'place': 'pharyngeal',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'h': {
'place': 'glottal',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'minus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ɦ': {
'place': 'glottal',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ɬ': {
'place': 'alveolar',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'minus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'plus',
'aspirated': 'minus',
},
'ɮ': {
'place': 'alveolar',
'manner': 'fricative',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'plus',
'aspirated': 'minus',
},
'ʋ': {
'place': 'labiodental',
'manner': 'approximant',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ɹ': {
'place': 'alveolar',
'manner': 'approximant',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ɻ': {
'place': 'retroflex',
'manner': 'approximant',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'plus',
'lateral': 'minus',
'aspirated': 'minus',
},
'j': {
'place': 'palatal',
'manner': 'approximant',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'ɰ': {
'place': 'velar',
'manner': 'approximant',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
'l': {
'place': 'alveolar',
'manner': 'approximant',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'plus',
'aspirated': 'minus',
},
'w': {
'place': 'labiovelar',
'manner': 'approximant',
'syllabic': 'minus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'aspirated': 'minus',
},
# Vowels
'i': {
'place': 'vowel',
'manner': 'vowel2',
'syllabic': 'plus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'high': 'high',
'back': 'front',
'round': 'minus',
'long': 'minus',
'aspirated': 'minus',
},
'y': {
'place': 'vowel',
'manner': 'vowel2',
'syllabic': 'plus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'high': 'high',
'back': 'front',
'round': 'plus',
'long': 'minus',
'aspirated': 'minus',
},
'e': {
'place': 'vowel',
'manner': 'vowel2',
'syllabic': 'plus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'high': 'mid',
'back': 'front',
'round': 'minus',
'long': 'minus',
'aspirated': 'minus',
},
'E': {
'place': 'vowel',
'manner': 'vowel2',
'syllabic': 'plus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'high': 'mid',
'back': 'front',
'round': 'minus',
'long': 'plus',
'aspirated': 'minus',
},
'ø': {
'place': 'vowel',
'manner': 'vowel2',
'syllabic': 'plus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'high': 'mid',
'back': 'front',
'round': 'plus',
'long': 'minus',
'aspirated': 'minus',
},
'ɛ': {
'place': 'vowel',
'manner': 'vowel2',
'syllabic': 'plus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'high': 'mid',
'back': 'front',
'round': 'minus',
'long': 'minus',
'aspirated': 'minus',
},
'œ': {
'place': 'vowel',
'manner': 'vowel2',
'syllabic': 'plus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'high': 'mid',
'back': 'front',
'round': 'plus',
'long': 'minus',
'aspirated': 'minus',
},
'æ': {
'place': 'vowel',
'manner': 'vowel2',
'syllabic': 'plus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'high': 'low',
'back': 'front',
'round': 'minus',
'long': 'minus',
'aspirated': 'minus',
},
'a': {
'place': 'vowel',
'manner': 'vowel2',
'syllabic': 'plus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'high': 'low',
'back': 'front',
'round': 'minus',
'long': 'minus',
'aspirated': 'minus',
},
'A': {
'place': 'vowel',
'manner': 'vowel2',
'syllabic': 'plus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'high': 'low',
'back': 'front',
'round': 'minus',
'long': 'plus',
'aspirated': 'minus',
},
'ɨ': {
'place': 'vowel',
'manner': 'vowel2',
'syllabic': 'plus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'high': 'high',
'back': 'central',
'round': 'minus',
'long': 'minus',
'aspirated': 'minus',
},
'ʉ': {
'place': 'vowel',
'manner': 'vowel2',
'syllabic': 'plus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'high': 'high',
'back': 'central',
'round': 'plus',
'long': 'minus',
'aspirated': 'minus',
},
'ə': {
'place': 'vowel',
'manner': 'vowel2',
'syllabic': 'plus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'high': 'mid',
'back': 'central',
'round': 'minus',
'long': 'minus',
'aspirated': 'minus',
},
'u': {
'place': 'vowel',
'manner': 'vowel2',
'syllabic': 'plus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'high': 'high',
'back': 'back',
'round': 'plus',
'long': 'minus',
'aspirated': 'minus',
},
'U': {
'place': 'vowel',
'manner': 'vowel2',
'syllabic': 'plus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'high': 'high',
'back': 'back',
'round': 'plus',
'long': 'plus',
'aspirated': 'minus',
},
'o': {
'place': 'vowel',
'manner': 'vowel2',
'syllabic': 'plus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'high': 'mid',
'back': 'back',
'round': 'plus',
'long': 'minus',
'aspirated': 'minus',
},
'O': {
'place': 'vowel',
'manner': 'vowel2',
'syllabic': 'plus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'high': 'mid',
'back': 'back',
'round': 'plus',
'long': 'plus',
'aspirated': 'minus',
},
'ɔ': {
'place': 'vowel',
'manner': 'vowel2',
'syllabic': 'plus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'high': 'mid',
'back': 'back',
'round': 'plus',
'long': 'minus',
'aspirated': 'minus',
},
'ɒ': {
'place': 'vowel',
'manner': 'vowel2',
'syllabic': 'plus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'high': 'low',
'back': 'back',
'round': 'minus',
'long': 'minus',
'aspirated': 'minus',
},
'I': {
'place': 'vowel',
'manner': 'vowel2',
'syllabic': 'plus',
'voice': 'plus',
'nasal': 'minus',
'retroflex': 'minus',
'lateral': 'minus',
'high': 'high',
'back': 'front',
'round': 'minus',
'long': 'plus',
'aspirated': 'minus',
},
}
# === Algorithm ===
def align(str1, str2, epsilon=0):
"""
Compute the alignment of two phonetic strings.
:type str1, str2: str
:param str1, str2: Two strings to be aligned
:type epsilon: float (0.0 to 1.0)
:param epsilon: Adjusts threshold similarity score for near-optimal alignments
:rtpye: list(list(tuple(str, str)))
:return: Alignment(s) of str1 and str2
(Kondrak 2002: 51)
"""
if np is None:
raise ImportError('You need numpy in order to use the align function')
assert 0.0 <= epsilon <= 1.0, "Epsilon must be between 0.0 and 1.0."
m = len(str1)
n = len(str2)
# This includes Kondrak's initialization of row 0 and column 0 to all 0s.
S = np.zeros((m + 1, n + 1), dtype=float)
# If i <= 1 or j <= 1, don't allow expansions as it doesn't make sense,
# and breaks array and string indices. Make sure they never get chosen
# by setting them to -inf.
for i in range(1, m + 1):
for j in range(1, n + 1):
edit1 = S[i - 1, j] + sigma_skip(str1[i - 1])
edit2 = S[i, j - 1] + sigma_skip(str2[j - 1])
edit3 = S[i - 1, j - 1] + sigma_sub(str1[i - 1], str2[j - 1])
if i > 1:
edit4 = S[i - 2, j - 1] + sigma_exp(str2[j - 1], str1[i - 2 : i])
else:
edit4 = -inf
if j > 1:
edit5 = S[i - 1, j - 2] + sigma_exp(str1[i - 1], str2[j - 2 : j])
else:
edit5 = -inf
S[i, j] = max(edit1, edit2, edit3, edit4, edit5, 0)
T = (1 - epsilon) * np.amax(S) # Threshold score for near-optimal alignments
alignments = []
for i in range(1, m + 1):
for j in range(1, n + 1):
if S[i, j] >= T:
alignments.append(_retrieve(i, j, 0, S, T, str1, str2, []))
return alignments
def _retrieve(i, j, s, S, T, str1, str2, out):
"""
Retrieve the path through the similarity matrix S starting at (i, j).
:rtype: list(tuple(str, str))
:return: Alignment of str1 and str2
"""
if S[i, j] == 0:
return out
else:
if j > 1 and S[i - 1, j - 2] + sigma_exp(str1[i - 1], str2[j - 2 : j]) + s >= T:
out.insert(0, (str1[i - 1], str2[j - 2 : j]))
_retrieve(
i - 1,
j - 2,
s + sigma_exp(str1[i - 1], str2[j - 2 : j]),
S,
T,
str1,
str2,
out,
)
elif (
i > 1 and S[i - 2, j - 1] + sigma_exp(str2[j - 1], str1[i - 2 : i]) + s >= T
):
out.insert(0, (str1[i - 2 : i], str2[j - 1]))
_retrieve(
i - 2,
j - 1,
s + sigma_exp(str2[j - 1], str1[i - 2 : i]),
S,
T,
str1,
str2,
out,
)
elif S[i, j - 1] + sigma_skip(str2[j - 1]) + s >= T:
out.insert(0, ('-', str2[j - 1]))
_retrieve(i, j - 1, s + sigma_skip(str2[j - 1]), S, T, str1, str2, out)
elif S[i - 1, j] + sigma_skip(str1[i - 1]) + s >= T:
out.insert(0, (str1[i - 1], '-'))
_retrieve(i - 1, j, s + sigma_skip(str1[i - 1]), S, T, str1, str2, out)
elif S[i - 1, j - 1] + sigma_sub(str1[i - 1], str2[j - 1]) + s >= T:
out.insert(0, (str1[i - 1], str2[j - 1]))
_retrieve(
i - 1,
j - 1,
s + sigma_sub(str1[i - 1], str2[j - 1]),
S,
T,
str1,
str2,
out,
)
return out
def sigma_skip(p):
"""
Returns score of an indel of P.
(Kondrak 2002: 54)
"""
return C_skip
def sigma_sub(p, q):
"""
Returns score of a substitution of P with Q.
(Kondrak 2002: 54)
"""
return C_sub - delta(p, q) - V(p) - V(q)
def sigma_exp(p, q):
"""
Returns score of an expansion/compression.
(Kondrak 2002: 54)
"""
q1 = q[0]
q2 = q[1]
return C_exp - delta(p, q1) - delta(p, q2) - V(p) - max(V(q1), V(q2))
def delta(p, q):
"""
Return weighted sum of difference between P and Q.
(Kondrak 2002: 54)
"""
features = R(p, q)
total = 0
for f in features:
total += diff(p, q, f) * salience[f]
return total
def diff(p, q, f):
"""
Returns difference between phonetic segments P and Q for feature F.
(Kondrak 2002: 52, 54)
"""
p_features, q_features = feature_matrix[p], feature_matrix[q]
return abs(similarity_matrix[p_features[f]] - similarity_matrix[q_features[f]])
def R(p, q):
"""
Return relevant features for segment comparsion.
(Kondrak 2002: 54)
"""
if p in consonants or q in consonants:
return R_c
return R_v
def V(p):
"""
Return vowel weight if P is vowel.
(Kondrak 2002: 54)
"""
if p in consonants:
return 0
return C_vwl
# === Test ===
def demo():
"""
A demonstration of the result of aligning phonetic sequences
used in Kondrak's (2002) dissertation.
"""
data = [pair.split(',') for pair in cognate_data.split('\n')]
for pair in data:
alignment = align(pair[0], pair[1])[0]
alignment = ['({}, {})'.format(a[0], a[1]) for a in alignment]
alignment = ' '.join(alignment)
print('{} ~ {} : {}'.format(pair[0], pair[1], alignment))
cognate_data = """jo,ʒə
tu,ty
nosotros,nu
kjen,ki
ke,kwa
todos,tu
una,ən
dos,
tres,trwa
ombre,om
arbol,arbrə
pluma,plym
kabeθa,kap
boka,buʃ
pje,pje
koraθon,kœr
ber,vwar
benir,vənir
deθir,dir
pobre,povrə
ðis,dIzes
ðæt,das
wat,vas
nat,nixt
loŋ,laŋ
mæn,man
fleʃ,flajʃ
bləd,blyt
feðər,fEdər
hær,hAr
ir,Or
aj,awgə
nowz,nAzə
mawθ,munt
təŋ,tsuŋə
fut,fys
nij,knI
hænd,hant
hart,herts
livər,lEbər
ænd,ante
æt,ad
blow,flAre
ir,awris
ijt,edere
fiʃ,piʃkis
flow,fluere
staɾ,stella
ful,plenus
græs,gramen
hart,kordis
horn,korny
aj,ego
nij,genU
məðər,mAter
mawntən,mons
nejm,nomen
njuw,nowus
wən,unus
rawnd,rotundus
sow,suere
sit,sedere
θrij,tres
tuwθ,dentis
θin,tenwis
kinwawa,kenuaʔ
nina,nenah
napewa,napɛw
wapimini,wapemen
namesa,namɛʔs
okimawa,okemaw
ʃiʃipa,seʔsep
ahkohkwa,ahkɛh
pematesiweni,pematesewen
asenja,aʔsɛn"""
if __name__ == '__main__':
demo()