照合

照合とは、書かれた情報を標準的な順序にまとめることです。多くの照合システムは、数字順、アルファベット順、またはそれらの拡張や組み合わせに基づいています。照合は、ほとんどのオフィスファイリングシステム、図書館カタログ、参考図書の基本的な要素です。

照合は、クラス自体が必ずしも順序付けられるわけではないという点で分類とは異なります。ただし、クラスの順序が重要でない場合でも、クラスの識別子が順序付けられたセットのメンバーである場合があり、ソート アルゴリズムによって項目をクラス別に並べ替えることができます。

正式に言えば、照合方法では通常、ソート キーと呼ばれる一連の可能な識別子の完全な順序を定義し、その結果、情報項目のセットの完全な事前順序が生成されます(同じ識別子を持つ項目は、定義された順序に配置されません)。

Unicode 照合アルゴリズムなどの照合アルゴリズムは、 2 つの文字列を比較し、どちらが先に来るかを決定するプロセスを通じて順序を定義します。このように順序が定義されている場合、ソート アルゴリズムを使用して、任意の数の項目のリストをその順序に並べることができます。

照合の主な利点は、ユーザーがリスト内の要素をすばやく簡単に見つけたり、リストに存在しないことを確認できることです。自動システムでは、バイナリ検索アルゴリズムまたは補間検索を使用してこれを行うことができます。手動検索は、ほぼ同様の手順を使用して実行できますが、無意識に行われることがよくあります。その他の利点は、リストの最初または最後の要素を簡単に見つけることができることです (数値で並べ替えられたデータの場合に最も役立ちます)。また、指定された範囲内の要素を簡単に見つけることができることです (数値データの場合、およびアルファベット順に並べられたデータの場合、探している項目の最初の数文字しかわからない場合にも役立ちます)。

数値を表す文字列は、それが表す数値の値に基づいて並べ替えることができます。たとえば、「-4」、「2.5」、「10」、「89」、「30,000」などです。このメソッドを純粋に適用すると、異なる文字列が同じ数値を表すことができるため (「2」と「2.0」、または科学的記数法を使用する場合は「2e3」と「2000」など)、文字列の部分的な順序付けしか提供されない場合があります。

日付や、時系列またはその他の自然な方法で順序付けできるその他の項目を 表す文字列でも、同様のアプローチが採用される場合があります。

アルファベット順は、情報の項目が主にアルファベットの文字で構成される文字列によって識別される、多くの照合システムの基礎です。文字列の順序は、問題のアルファベットの文字の標準的な順序の存在に依存します。(このシステムは、厳密な技術的な意味ではアルファベットに限定されません。チェロキー語など、音節文字またはアブギダを使用する言語では、使用される記号の順序が設定されていれば、同じ順序付けの原則を使用できます。)

2 つの文字列のうちどちらがアルファベット順で先になるかを決定するには、まず最初の文字を比較します。最初の文字がアルファベットの先頭にくる文字列が、アルファベット順で先になります。最初の文字が同じ場合は、2 番目の文字を比較し、順序が決定されるまでこれを繰り返します。(1 つの文字列で比較する文字がなくなると、その文字列が先頭になるものとみなされます。たとえば、「cart」は「carthorse」の前にきます。) 文字列のセットをアルファベット順に並べると、最初の文字が同じ単語がグループ化され、そのグループ内で最初の 2 文字が同じ単語がグループ化され、以下同様に続きます。

大文字は通常、対応する小文字と同等に扱われます。(コンピューター システムでの代替処理については、以下の「自動照合」を参照してください。)

アルファベット順を使用する場合、特定の制限、複雑さ、および特別な規則が適用される場合があります。

• 文字列にスペースやその他の単語区切り文字が含まれている場合、これらの区切り文字を無視するか、アルファベットの他のすべての文字の前にある記号として扱うかを決定する必要があります。たとえば、最初のアプローチを採用した場合、「car park」は「carbon」と「carp」の後になります (「carpark」と書いた場合と同じ)。一方、2 番目のアプローチでは、「car park」はこれら 2 つの単語の前に来ます。最初のルールは多くの (ただしすべてではない)辞書で使用され、2 番目のルールは電話帳で使用されます (そのため、Wilson, Jim K は Wilson, Jim という名前の他の人と一緒に表示され、Wilson, Jimbo の後には表示されません)。
• 略語は、完全な綴りとして扱われる場合があります。たとえば、「St.」(英語の単語Saintの短縮形) を含む名前は、多くの場合、「Saint」と書かれたものとして順序付けられます。英語には、 McおよびM'で始まる姓は、それらの接頭辞がMac と書かれたものとしてリストされるという伝統的な慣習もあります。
• 個人名を表す文字列は、名が最初に来る場合でも、姓のアルファベット順にリストされることがよくあります。たとえば、Juan Hernandes と Brian O'Leary は、このように書かれていなくても、「Hernandes, Juan」と「O'Leary, Brian」として並べ替える必要があります。
• 英語のTheなどの非常に一般的な最初の単語は、並べ替えの目的で無視されることがよくあります。したがって、The Shining は単に「Shining」または「Shining, The」として並べ替えられます。
• 文字列の一部に数字(またはその他の非文字) が含まれている場合、さまざまなアプローチが可能です。場合によっては、そのような文字は、アルファベットのすべての文字の前または後に来るものとして扱われます。別の方法としては、数字を綴りどおりにアルファベット順に並べ替える方法があります。たとえば、1776 は「seventeen seventy-six」と綴ったものとして並べ替えられ、24 heures du Mans は「vingt-quatre...」(フランス語で「24」) と綴ったものとして並べ替えられます。数字やその他の記号が文字の特別なグラフィカル形式として使用されている場合 ( leetの1337や映画タイトルSevenのSe7enなど)、それらはそれらの文字であるかのように並べ替えられます。
• 言語によって、修飾文字や特定の文字の組み合わせの扱い方は異なります。たとえば、スペイン語では、文字ñ はnに続く基本文字として扱われ、二重音字 chとll は以前 (1994 年まで) cとlに続く基本文字として扱われていましたが、現在は 2 文字の組み合わせとしてアルファベット順に並べられています。さまざまな言語のこのような規則の一覧は、アルファベット順 § 言語固有の規則で確認できます。

いくつかの言語では、ルールが時間の経過とともに変化しており、古い辞書では現代の辞書とは異なる順序が使用されている場合があります。さらに、照合順序は使用方法によって異なる場合があります。たとえば、ドイツ語の辞書と電話帳では異なるアプローチが使用されています。

ハンス・ヴェアの二か国語訳『現代ア​​ラビア語書き言葉辞典』など、一部のアラビア語辞書では、アラビア語の単語をセム語の語源でグルー​​プ化して分類している。^[1]たとえば、kitāba ( كتابة '書く')、 kitāb ( كتاب '本')、kātib ( كاتب '作家')、maktaba ( مكتبة '図書館')、maktab ( مكتب 'オフィス')、maktūb ( مكتوب '運命'、または'書かれた') は、 k - t - b ( ك ت ب ) という3 文字の語根で集約され、これは '書く' を意味する。^[2]

漢字と漢字の順序も参照

照合のもう 1 つの形式は、部首と画数によるソートです。これは、中国語の漢字や日本語の漢字など、数千の記号があり慣例による順序付けが困難な非アルファベット表記体系で使用されます。このシステムでは、文字の共通構成要素が識別されます。これらは、中国語および中国語から派生した表語文字システムでは部首と呼ばれます。次に、文字を主要な部首でグループ化し、部首内の画数で順序付けます。明らかな部首がない場合、または複数の部首がある場合は、慣例によって照合にどの部首を使用するかが決まります。たとえば、中国語の文字「妈」(「母」を意味する) は、3 画の主要な部首「女」の下に 6 画の文字としてソートされます。

部首と画数のシステムは、すべて明確な少数の文字があるアルファベットシステムと比較すると扱いにくい。表語文字のどの構成要素が個別の部首を構成し、どの部首が主要であるかの選択は明確ではない。その結果、表語言語は、部首と画数の順序に加えて、表語文字の音声変換のアルファベット順ソートを行うことが多い。たとえば、漢字「東京」_{は、これらの文字の従来のソート順序を使用して、ひらがな}の五十音表の日本語文字で「とうきょう」と綴ったかのようにソートできる。^[要出典]

さらに、漢字は筆順で並べ替えることもできます。中華圏では、姓の筆順は、人名を階層化せずに記載する一部の公式文書の慣例となっています。

情報がデジタルシステムに保存されると、照合は自動化されたプロセスになる場合があります。その場合、適切な照合アルゴリズムを実装して、問題のアプリケーションに適した方法で情報を並べ替える必要があります。多くの場合、前のセクションで説明した標準基準に従ったアルファベット順または数字順の順序付けが目標になります。ただし、これらの基準のすべてを自動化するのは簡単ではありません。^[3]

最も単純な種類の自動照合は、 ASCIIコーディング (またはUnicodeなどのそのスーパーセット)などの文字セット内のシンボルの数値コードに基づいています。シンボルはコードの数値の昇順に並べられ、この順序付けはアルファベット順 (数学的に言えば、辞書式順序)の基本原則に従って文字列に拡張されます。したがって、コンピュータ プログラムは、文字a、b、C、d、および$を$、C、a、b、dの順序として扱う場合があります(対応する ASCII コードは、$ = 36、a = 97、b = 98、C = 67、およびd = 100 です)。したがって、C、M、またはZで始まる文字列は、小文字のa、bなどを含む文字列よりも前に並べ替えられます。これは、 ASCII 順序と呼ばれることもあります。これは、特に大文字が小文字の前に来る順序（およびスペースやその他の非文字の扱い）により、標準のアルファベット順から外れています。そのため、多くの場合、特定の変更を加えて適用されます。最も明らかなのは、ASCII 値の比較の前に大文字と小文字を変換することです（歴史的な理由により、多くの場合大文字に変換されます^{[注 1]}）。

多くの照合アルゴリズムでは、文字の数値コードではなく、照合順序（照合の目的で文字が来ると想定される順序）と、特定のアプリケーションに適したその他の順序付け規則を参照して比較が行われます。これにより、問題の言語でアルファベット順に使用される正しい規則を適用し、大文字と小文字が異なる文字、変更された文字、二重音字、特定の略語などを適切に処理できます。詳細は、上記のアルファベット順で説明し、アルファベット順の記事で詳しく説明しています。このようなアルゴリズムは潜在的に非常に複雑で、テキストを複数回通過する必要がある可能性があります。^[3]

それでも、アルゴリズムが複数の言語を網羅しなければならない場合には、依然として問題がよく発生します。たとえば、ドイツ語の辞書では、 ökonomisch という単語がoffenbarとolfaktorischの間に来ますが、トルコ語の辞書ではoとöを別の文字として扱い、 oyun をöbür の前に置きます。

標準のUnicodeシンボルで構成された文字列のコレクションを照合するための標準アルゴリズムは、Unicode 照合アルゴリズムです。これは、デフォルトの照合テーブルを調整することで、特定の言語に適切な照合シーケンスを使用するように適応できます。このような調整のいくつかは、共通ロケール データ リポジトリに収集されています。

アプリケーションによっては、項目を照合する文字列が、表示される識別子と異なる場合があります。たとえば、The Shining はShining, The (上記のアルファベット順を参照)としてソートされますが、 The Shiningとして表示したい場合もあります。この場合、表示用と照合用の 2 セットの文字列を保存できます。このように照合に使用される文字列は、 ソート キーと呼ばれます。

場合によっては、埋め込まれた数字を含むテキストを適切な数値順序で並べる必要があることがあります。たとえば、Unicodeでは '7' が '1' の後にあるにもかかわらず、"図 7b" は "図 11a" の前に来ます。これはローマ数字にも拡張できます。この動作は、整数のみをソートする限り、特に難しいものではありませんが、ソート速度が大幅に低下する可能性があります。たとえば、Microsoft Windows はファイル名をソートするときにこれを行います。

小数点の適切な並べ替えは、ロケールによって小数点の記号が異なり、小数点として使用される同じ文字が区切り文字としても使用されることがあるため、少し難しくなります(例: 「セクション 3.2.5」)。このような文字列を並べ替える方法については普遍的な答えはなく、ルールはアプリケーションに依存します。

状況によっては、数字や文字は順序付けの基準としてではなく、すでに順序付けされている項目にラベルを付ける手段として使用されます。たとえば、ページ、セクション、章などのほか、リストの項目も、このようにして「番号付け」されることがよくあります。使用できるラベル付けのシリーズには、通常のアラビア数字(1、2、3、...)、ローマ数字(I、II、III、... または i、ii、iii、...)、または文字 (A、B、C、... または a、b、c、...) があります。(番号付けせずにリスト項目を示す別の方法は、箇条書きリストを使用することです。)

アルファベットの文字を列挙の目的で使用する場合、どの文字を使用するかについては言語固有の規則があります。たとえば、ロシア語の文字ЪとЬ (書き言葉では前の子音を修飾するためだけに使用されます) は省略され、通常はЫ、Й、Ёも省略されます。また、拡張ラテン文字を使用する多くの言語では、修飾された文字は列挙に使用されないことがよくあります。

• アルファベット順
• 学術的順序
• 漢字の順序
• ソート
• 分類上の順序
• マックとマックが一緒に
• Unicode の同等性
• 自然な並び順

無料辞書のウィクショナリーで照合 またはアルファベット順を調べてください。

• Unicode 照合アルゴリズム: Unicode 技術標準 #10
• スペイン語の照合順序 2006-08-13 にWayback Machineでアーカイブ
• 国連加盟国名の照合2005年8月30日アーカイブ、Wayback Machine
• Cascading Style Sheetsのリスト モジュールで提案されている、多くの言語の印刷照合順序。
• 照合チャート: さまざまなオペレーティング システムと DBMS における言語固有の並べ替え順序を示すチャート
• ICU ロケール エクスプローラー 2008-05-11 にWayback Machineでアーカイブ: Unicode 照合アルゴリズムとUnicode の国際コンポーネントを使用したさまざまな言語でのソートのオンライン デモ