сравнить короткие струны на разных языках для получения похожего звука - Soundex - это ответ?

Soundex может быть не идеальным, но это кажется разумным подходом, по крайней мере, для вашего конкретного примера соответствия английского / иврита.

Вы определенно не можете использовать правило о сохранении первой буквы имени, но мне это никогда не нравилось даже для латинского алфавита (потому что мне пришлось бы искать под буквами «E» и «Y» фамилию моей матери) . Я рекомендую обращаться с первой буквой, как со всеми остальными.

Тогда остается лишь сопоставить буквы иврита с кодами Soundex. Вам действительно не нужна промежуточная английская транслитерация; просто запрограммируйте отображение Soundex на иврите напрямую.

• בוףפ 1
• גזחךכסקש 2
• דטת 3
• ץצ 32
• ל 4
• םמןנ 5
• ר 6
• אהיע игнорируется

Однако, поскольку Soundex ориентирован на английский язык, он может некорректно обрабатывать некоторые двусмысленности в еврейском произношении:

• ו отображается в 1 (как английский V) в списке выше, но часто представляет собой O, U или W, и в этом случае его следует игнорировать в Soundex.
• ח сложно классифицировать из-за отсутствия английского эквивалента. Я поместил его в категорию 2, потому что это (1) соответствует транслитерации «ch», а (2) позволяет ך / כ иметь ту же категорию с дагешем или без него.
• Ашкеназское произношение разделит ת между 2 и 3 категориями.

Чтобы справиться с этим, вы можете сгенерировать несколько ключей Soundex для строки. Например, «שבת» будет отображаться как в 212, так и в 213.

Подобные сопоставления могут быть сделаны для греческого языка:

• ΒΠΦ 1
• Ψ 12
• ΓΖΚΞΣΧ 2
• ΔΘΤ 3
• Λ 4
• ΜΝ 5
• Ρ 6
• ΑΕΗΙΟΥΩ игнорируется

или русский:

• БВПФ 1
• ГЖЗКСХЧШЩЩ 2
• ДТ 3
• Ц 32
• Л 4
• МН 5
• Р 6
• АЕЁИЙОУЪЫЬЭЮЯ игнорируется

(Обратите внимание, что некоторые из двоек могут быть 32, в зависимости от вашего соглашения о транслитерации.)

«Рейтинг» подобия можно получить на основе такой метрики, как длина самой длинной общей подпоследовательности или Расстояние Левенштейна для значений Soundex.

Например, вы можете определить «сходство» между двумя строками как 2 * lcslen (A, B) / (len (A) + len (B)), чтобы получить оценку от 0 до 1.

Я бы посоветовал изучить кодекс Daitch-Mokotoff Soundex (особенно хорошо работает с ивритом). Отметьте this, который принимает английские символы в качестве входных данных и this, который принимает символы иврита в качестве входных.

Маловероятно, что Soundex в целом подходит; это довольно грубо и несколько адаптировано к английскому языку. В частности, первый символ строки Soundex является первым символом ввода, поэтому ваш пример на английском / иврите не будет преобразован в тот же код Soundex, если вы сначала не транслитерируете символы иврита на английский (латинский). И кириллица, и китайский язык имеют транслитерацию от родного набора символов к латинице, но есть различия в том, как это делается.

Изучите метафон; однако он концептуально похож на Soundex и имеет аналогичные ограничения.

Я не знаю межъязыкового эквивалента.

Я не знаю, поможет ли IPA (международный фонетический алфавит). Вам нужно будет перевести английский и иврит на IPA, а затем использовать некоторую функцию подобия, чтобы связать родственные звуки.