buscabr fonetica

Download BuscaBR Fonetica

Post on 24-Jun-2015

2.330 views

Category:

Documents

9 download

Embed Size (px)

TRANSCRIPT

BUSCA FONTICA EM PORTUGUS DO BRASILFRED JORGE TAVARES DE LUCENA Fred.lucena@unibratec.com.br

RESUMO

A necessidade de melhoria no acesso s informaes armazenadas em grandes bases de dados tem levado as empresas a buscarem formas de tornar as consultas mais eficientes. As lnguas, sejam faladas ou escritas, geram dificuldades na sua grafia quer pela ortografia e gramtica oficial ou pelas influncias recebidas. A lngua portuguesa utilizada no Brasil tambm possui as suas regras ortogrficas e gramaticais alm de uma grande quantidade de influncias internas e externas que dificultam o seu aprendizado. O estrangeirismo muito presente e termina por criar novas palavras que so incorporadas na sua grafia original ou sofrem aportuguesamento, gerando assim, novas dificuldades e s vezes criando excees as regras existentes. A grande extenso territorial e diversidade cultural, tambm so responsveis por particularidades que podem contribuir para criar dificuldades na localizao e acesso as informaes. A rotina SOUNDEX1, desenvolvida nos Estados Unidos em 1918, tenta minimizar os erros causados pela grafia errada das palavras a partir da codificao dos fonemas. Por ter sido desenvolvida segundo as necessidades norte americanas, a rotina SOUNDEX, incorporada ao Oracle2, apresentou um comprometimento da sua eficcia quando aplicada a lngua portuguesa. Com o intuito de criar uma funo capaz de abordar todas as caractersticas da lngua portuguesa, foi desenvolvido um estudo que primeiramente analisou as deficincias da rotina SOUNDEX. Aps o estudo, foi desenvolvida uma anlise detalhada dos fonemas da lngua portuguesa e tambm os erros de grafia freqentemente cometidos. Finalizados os estudos, chegou-se a funo em PL/SQL3 que recebeu o nome de BUSCABR e que, em lngua portuguesa, obteve um resultado bastante eficaz. Palavras-chave: Consultas. Fonticas. SOUNDEX. ORACLE. PL/SQL. BUSCABR.

1 2

SOUNDEX marca registrada de Robert Russell e Margaret Odell ORACLE marca registrada da Oracle Corporation 3 PL/SQL marca registrada da Oracle Corporation

ABSTRACT

Necessity of improve access to informations stored in large data bases has lead companys to search forms to become more efficient consult methods. Spoken or written languages generates spelling difficulties, as for official grammar as for regionnal influences. Brasilian portuguese language also has orthographic and grammatical rules and has, too, a lot of internal and external influences that makes trouble on learning. The foreignism is very present in brasilian portuguese language and lead to create new words that are incorporated to its original spelling or create portuguesement that generates new difficulties and exceptions to existents rules. The large cultural diversities and territorial extension also are responsible for peculiarities that can contribute to create difficulties on access and location of informations. The SOUNDEX1 routine, developed in USA on1918 year, try to minimize spelling wrongs by using phonemes codes. Because it had been developed depending on american necessities the SOUNDEX1 routine incorporated to the Oracle2, presented effectiveness problems when applied to portuguese language. In order to create a function able to involve all portuguese language characteristics, it was developed a research that analysed existing deficiencies in SOUNDEX1 routine. After that, detailed analysis of portuguese language phonemes associated to spelling wrongs, was developed. The finalised studies concluded for a function developed on PL/SQL3, subsequently named BUSCABR, that obtained good results when applied in portuguese language. Key Words: Consultas. Fonticas. SOUNDEX. ORACLE. PL/SQL. BUSCABR.

LISTA DE TABELAS

Tabela 1 - Distribuio fontica das letras segundo o cdigo SOUNDEX...................................................... 20 Tabela 2 - Distribuio fontica das letras segundo o cdigo BUSCABR. ..................................................... 21 Tabela 3 - Classificao das consoantes segundo os critrios de emisso dos fonemas. ................................ 22 Tabela 4 - Sites de busca na internet................................................................................................................ 23

ABREVIATURAS E SIGLAS

Cad Site de busca na internet, criado por Gustavo Viberti. Google Site de busca na internet, criado por Sergey Brin (Russia) e Larry Page (EUA). Oracle 9i Sistema Gerenciador de Banco de Dados da Oracle Corporation. PL/SQL Linguagem de programao da Oracle Corporation. Radix Ferramenta de busca na internet desenvolvida pelo Csar-UFPE. SOUNDEX Funo de busca fontica desenvolvida por Robert Russell e Margaret Odell.

1

INTRODUOA busca pelo aumento na velocidade da obteno de informaes tem se tornado uma

constante nos dias atuais. Com a crescente integrao mundial atravs dos diversos meios de comunicao como telefonia e internet, o volume de informaes que so manipuladas diariamente cresce de forma geomtrica, exigindo assim, melhorias nas diversas maneiras de acesso aos dados. Diversas empresas, principalmente as que trabalham com grande volume de atendimento ao pblico, tendem a gastar um tempo maior que o necessrio nas consultas as bases de dados quando tm que deduzir a grafia correta do nome de pessoas ou produtos. mercado. A importncia das ferramentas que facilitam a busca de informaes muito evidente hoje em dia. Um dos maiores sucessos na rea de informtica o GOOGLE4 que tem como principal atrativo, exatamente a sua grande habilidade na busca de informaes na internet. Outras empresas que prestam servios de busca na internet, como o CAD5, RADIX6 e AONDE7, tambm apostaram no desenvolvimento de algoritmos de busca que minimizassem o tempo de resposta nas consultas a grandes bases de dados. Por outro lado, o investimento por parte das empresas proprietrias dos principais Sistemas Gerenciadores de Banco de Dados (SGBD), no tiveram a mesma preocupao. A maioria delas utiliza o mesmo sistema de busca fontica, o SOUNDEX. Nos Estados Unidos da Amrica, por volta de 1918, Robert Russell e Margaret Odell, desenvolveram um sistema com o objetivo de codificar as palavras de acordo com os seus fonemas e assim facilitar a busca de informaes. Esse cdigo recebeu o nome de SOUNDEX e tem sido usado em todo o mundo e realmente contribui para a melhoria de desempenho de muitos sistemas informatizados. No Brasil a situao no diferente, porm existem vrios complicadores, como por exemplo, a presena de uma letra representando vrios fonemas como o X com som de Z em exame, csi em hexa ou cha em enxame. Existem tambm, os casos em que varias letras representam o mesmo fonema como S, SS e ou ainda C, Q e K. Tambm so encontradas palavras de origem estrangeiras que utilizam letras inexistentes no alfabeto oficial brasileiro como K, W e Y, ou ainda, letra que no representa fonema como a letra H. Alm de todos os casos j citados, tambm existe uma srie de regras e normas que tambm contribuem para a dificuldade do aprendizado da lngua. Todos os pontos abordados geram dificuldades na obteno de informaes nas grandes bases de dados instaladas. Hoje, qualquer perda de tempo na execuo de uma tarefa, termina por gerar um custo a mais que diminui a sua competitividade no

4 5

GOOGLE marca registrada da GOOGLE Corporation. CAD 6 RADIX 7 AONDE

Alm das dificuldades inerentes a nossa gramtica, tambm observada as dificuldades geradas pelos regionalismos, que em um pas com dimenses continentais como o Brasil, so bem maiores, apesar da existncia de um nico idioma. comum, em determinadas regies, ter a pronncia das palavras alteradas ou parte delas suprimidas como, por exemplo, os erros gerados pelo uso ou supresso do S. No caso da lngua portuguesa, em especial no Brasil, as dificuldades fazem com que a eficcia da rotina SOUNDEX seja comprometida, gerando assim, a necessidade de sua reviso ou ainda o desenvolvimento de outra rotina que possa suprir as suas limitaes em relao a nossa lngua. Os trabalhos executados at ento, foram focados no banco de dados Oracle que possui como linguagem o PL/SQL. A nossa proposta est focada no desenvolvimento de uma nova funo em PL/SQL, a partir da anlise da ortografia fonmica da lngua portuguesa do Brasil, que substitua o cdigo SOUNDEX j que este foi concebido para a lngua Inglesa e que, em virtude disto, no eficaz em nosso idioma. Um atendente que esteja em um servio de help-desk est sujeito a cometer uma srie de erros causados pelos mais diversos motivos. Um deles o mau entendimento de nomes proferidos por clientes que solicitam uma informao, seja por m dico ou por influncias regionais. Outros so decorrentes de problemas culturais que tambm terminam por gerar dificuldades para quem faz uma consulta. Os bancos de dados utilizados no mercado, utilizam rotinas de consultas fonticas baseadas no cdigo americano SOUNDEX e consequentemente, apresentam deficincias quando utilizado em nosso idioma. O desenvolvimento de uma funo em PL/SQL, que contemple os erros de grafia ou pronncia, minimizar a perda de tempo e conseqentemente, propiciar uma maior produtividade e satisfao dos clientes j que eles no tero que ser indagados sobre a correta grafia do nome a ser consultado. Uma funo de busca que contemple as deficincias nas consultas, permitir uma melhor resposta no banco ORACLE alm de propiciar condies de sua implementao em outras linguagens utilizadas pelo mercado.

2

DESENVOLVIMENTONos dias atuais qualquer perda de tempo na execuo de uma tarefa termina por gerar um custo

maior que o necessrio, comprometendo a competitividade da empresa no mercado. O desenvolvimento de uma funo em PL/SQL, que contemple os erros de grafia ou pronncia, minimizar a perda de tempo e conseqentemente propiciar uma maior produtividade e satisfao dos clientes j que no tero que ser indagados vrias vezes sobre a grafia do dado a ser consultado. Os ban