កម្មវិធីពិនិត្យអក្ខរាវិរុទ្ធខ្មែរ

កម្មវិធីពិនិត្យអក្ខរាវិរុទ្ធខ្មែរឥតគិតថ្លៃនេះ អានអត្ថបទខ្មែររបស់អ្នក កាត់ជាពាក្យៗ និងគូសបន្ទាត់ពីក្រោមពាក្យដែលសរសេរខុស។ ភាសាខ្មែរសរសេរជាប់ៗគ្នាដោយគ្មានដកឃ្លា ដូច្នេះឧបករណ៍នេះត្រូវស្វែងរកកន្លែងផ្ដើម និងបញ្ចប់នៃពាក្យនីមួយៗជាមុន ដោយប្រើបញ្ជីពាក្យខ្មែរប្រហែល 45,000 ពាក្យពីវចនានុក្រមសម្ដេចសង្ឃរាជ ជួន ណាត និងបញ្ជីពាក្យខ្មែរ-អង់គ្លេសទំនើប រួមទាំងប្រេកង់នៃការប្រើប្រាស់ពាក្យ ដើម្បីកាត់ពាក្យឱ្យត្រឹមត្រូវបំផុត។

ចុចលើពាក្យដែលមានបន្ទាត់ពីក្រោម ដើម្បីមើលសំណើកែប្រែ ដូចជា សម្រាប់ ជំនួសឱ្យ សំរាប់ ឬ កម្ពុជា ជំនួសឱ្យ កម្ពជា ហើយអាចប្តូរបានភ្លាមៗដោយចុចតែម្តង។ ឧបករណ៍នេះក៏ជួយស្វែងរកតួអក្សរដែលវាយខុសលំដាប់ Unicode (មើលលើអេក្រង់ឃើញត្រូវ តែស្វែងរក ឬតម្រៀបមិនឃើញ) រាប់ចំនួនពាក្យខ្មែរ និងអាចបញ្ចូល Zero-width space ដើម្បីឱ្យអត្ថបទខ្មែរវែងៗធ្លាក់បន្ទាត់បានស្អាត។ ដំណើរការទាំងអស់លើកម្មវិធីរុករករបស់អ្នក អត្ថបទមិនត្រូវបានផ្ទុកឡើងឡើយ។

របៀបប្រើឧបករណ៍ កម្មវិធីពិនិត្យអក្ខរាវិរុទ្ធខ្មែរ

1. វាយ ឬបិទភ្ជាប់ (paste) អត្ថបទខ្មែររបស់អ្នកទៅក្នុងប្រអប់។ មានឧទាហរណ៍ដែលមានពាក្យខុសស្រាប់ ដើម្បីឱ្យអ្នកអាចសាកល្បងបានភ្លាមៗ។
2. ពិនិត្យអត្ថបទនៅខាងក្រោម៖ ពាក្យពណ៌ក្រហម គឺជាពាក្យគ្មានក្នុងវចនានុក្រម ពាក្យពណ៌ខៀវ គឺជាពាក្យត្រឹមត្រូវតែងាយច្រឡំន័យ (ដូចជា និង និង នឹង) ហើយពាក្យពណ៌ទឹកក្រូច គឺវាយខុសលំដាប់ Unicode។
3. ចុចលើពាក្យដែលមានបន្ទាត់ពីក្រោម ហើយជ្រើសរើសពាក្យត្រឹមត្រូវដើម្បីជំនួស។ ធិកលើ ជំនួសទាំងអស់ ដើម្បីកែពាក្យខុសដូចគ្នានោះគ្រប់កន្លែង ឬវាយពាក្យកែប្រែដោយខ្លួនឯង ឬចុច រំលង សម្រាប់ឈ្មោះផ្ទាល់ខ្លួន ឬពាក្យថ្មីៗ។
4. ចុច កែសម្រួលលំដាប់ Unicode ដើម្បីកែតម្រូវលំដាប់ស្រៈ ជើងអក្សរ និងសញ្ញាផ្សេងៗក្នុងអត្ថបទទាំងមូលឡើងវិញ។
5. អ្នកក៏អាចចុច បញ្ចូល Zero-width space ដើម្បីបន្ថែមគម្លាតមើលមិនឃើញសម្រាប់កាត់ពាក្យ រួចចុច ចម្លងអត្ថបទ ដើម្បីយកអត្ថបទដែលកែរួចទៅប្រើប្រាស់។

ហេតុអ្វីប្រើ កម្មវិធីពិនិត្យអក្ខរាវិរុទ្ធខ្មែរ របស់ ToolOrca

• កាត់ពាក្យខ្មែរដោយស្វ័យប្រវត្តិតាមវចនានុក្រមជាង 45,000 ពាក្យ
• ផ្តល់សំណើពាក្យត្រឹមត្រូវតាមកម្រិតអក្ខរាវិរុទ្ធ ប្រេកង់ពាក្យ និងបរិបទ
• រកឃើញពាក្យដែលងាយច្រឡំញឹកញាប់៖ និង / នឹង, ដែល / ដែរ, ពី / ពីរ
• កែសម្រួលលំដាប់ Unicode ដែលខុស និងលុបស្រៈ ឬជើងអក្សរត្រួតគ្នា
• រាប់ចំនួនពាក្យខ្មែរ និងបង្ហាញព្រំដែនកាត់ពាក្យ
• បញ្ចូល ឬលុប Zero-width space សម្រាប់សម្រួលការធ្លាក់បន្ទាត់
• សុវត្ថិភាពផ្ទាល់ខ្លួន៖ ដំណើរការលើ browser របស់អ្នក មិនផ្ទុកទិន្នន័យឡើងលើ server

របៀបដែលការពិនិត្យអក្ខរាវិរុទ្ធខ្មែរដំណើរការ

អត្ថបទខ្មែរមិនមានដកឃ្លាចន្លោះពាក្យឡើយ ដូច្នេះកម្មវិធីមិនអាចគ្រាន់តែយកពាក្យនីមួយៗទៅផ្ទៀងផ្ទាត់ភ្លាមៗនោះទេ។ ឧបករណ៍នេះត្រូវបំបែកអត្ថបទជាបណ្តុំតួអក្សរ (clusters) ជាមុនសិន៖ ព្យញ្ជនៈ ឬស្រៈពេញតួ ជាមួយជើងអក្សរ (្ + ព្យញ្ជនៈ) ស្រៈនិស្ស័យ និងវណ្ណយុត្តិ ដូចជា ស្ត្រី គឺជាបណ្តុំមួយកើតពី ស + ្ត + ្រ + ី។ បន្ទាប់មក វារកវិធីកាត់ពាក្យតាមវចនានុក្រមដែលផ្ដល់ចំនួនពាក្យតិចបំផុត (dynamic programming ដូចជា Viterbi algorithm) និងប្រើប្រេកង់នៃពាក្យដើម្បីជ្រើសរើសជម្រើសកាត់ពាក្យដែលត្រឹមត្រូវបំផុត។

ផ្នែកណាដែលមិនត្រូវនឹងពាក្យក្នុងវចនានុក្រម នឹងត្រូវបានកំណត់ថាជាពាក្យមិនស្គាល់។ ដំណាក់កាលបន្ទាប់ វានឹងពិនិត្យមើលផ្នែកខ្លីៗដែលនៅក្បែរគ្នា ថាតើវាជាការសរសេរខុសតិចតួចពីពាក្យពិតប្រាកដដែរឬទេ៖ ឧទាហរណ៍ ស្រលាស់ អាចជាពាក្យត្រឹមត្រូវ ស្រ + លាស់ ប៉ុន្តែភាគច្រើនវាជាការវាយខុសនៃពាក្យ ស្រលាញ់។ សំណើកែប្រែផ្អែកលើចម្ងាយកែប្រែ (edit distance) លើជើងអក្សរទាំងមូល និងផ្តល់អាទិភាពដល់កំហុសដែលជួបញឹកញាប់ ដូចជាខ្វះជើងអក្សរ ច្រឡំសញ្ញា ព/ភ, ល/ឡ, ិ/ី និង ំ/ម្។ គូពាក្យដែលតែងតែនៅជាប់គ្នាក្នុងវចនានុក្រមក៏ជួយរៀបចំលំដាប់សំណើឱ្យកាន់តែសុក្រឹតផងដែរ។

កំហុសអក្ខរាវិរុទ្ធខ្មែរដែលជួបញឹកញាប់

ការសរសេរបែបចាស់ ឬក្រៅផ្លូវការ។ ពាក្យជាច្រើននៅតែត្រូវបានសរសេរជាមួយស្រៈ ំ ខណៈដែលអក្ខរាវិរុទ្ធស្តង់ដារប្រើជើងអក្សរ៖ សំរាប់ → សម្រាប់, តំលៃ → តម្លៃ, ចំងាយ → ចម្ងាយ។ ពាក្យខ្លះទៀតលើស ឬខ្វះតួអក្សរ៖ ភាសារ → ភាសា, ពត៌មាន → ព័ត៌មាន, អោយ → ឲ្យ ឬ ឱ្យ។

ពាក្យដែលមានសូរដូចគ្នា។ និង និង នឹង, ដែល និង ដែរ, ពី និង ពីរ សុទ្ធតែជាពាក្យត្រឹមត្រូវ ដូច្នេះមានតែបរិបទទេដែលអាចបញ្ជាក់ថាពាក្យណាត្រូវ។ កម្មវិធីនឹងគូសពណ៌ខៀវលើពាក្យទាំងនេះ នៅពេលពាក្យមួយទៀតសមស្របនឹងបរិបទជុំវិញជាង ឧទាហរណ៍ ខ្ញុំនិងទៅ → ខ្ញុំនឹងទៅ។

លំដាប់ Unicode។ ពាក្យតែមួយអាចវាយតាមលំដាប់ខុសគ្នាដែលមើលទៅដូចគ្នាបេះបិទ៖ ស្រ្តី (ជើង រ មុន) និង ស្ត្រី ឬវាយនិគ្គហិតមុនស្រៈក្នុងពាក្យ ខ្ញំុ។ មានតែលំដាប់មួយគត់ដែលជាស្តង់ដារ ហើយលំដាប់ខុសនឹងធ្វើឱ្យស្វែងរកលើ Google វចនានុក្រម ឬ Ctrl+F មិនឃើញឡើយ។ មុខងារ កែសម្រួលលំដាប់ Unicode នឹងរៀបចំគ្រប់បណ្តុំអក្សរតាមលំដាប់ស្តង់ដារ៖ ព្យញ្ជនៈដើម, ជើងអក្សរ (ជើង រ ចុងក្រោយ), មូសិកទន្ត/ត្រីស័ព្ទ, ស្រៈ និងវណ្ណយុត្តិ ព្រមទាំងភ្ជាប់ស្រៈបែក និងលុបសញ្ញាត្រួតគ្នាចោល។

Zero-width space និងការចុះបន្ទាត់អក្សរខ្មែរ

ដោយសារភាសាខ្មែរគ្មានដកឃ្លា កម្មវិធីរុករក Word និងកម្មវិធីទូរសព្ទអាចនឹងកាត់បន្ទាត់នៅចំកណ្តាលពាក្យ ឬមិនកាត់បន្ទាត់ទាល់តែសោះ។ Zero-width space (U+200B) គឺជាតួអក្សរមើលមិនឃើញដែលកំណត់ព្រំដែនពាក្យ៖ អត្ថបទមើលទៅនៅដដែល ប៉ុន្តែជួយឱ្យការធ្លាក់បន្ទាត់ចំចន្លោះពាក្យបានត្រឹមត្រូវ ហើយកម្មវិធីមួយចំនួនអាចជ្រើសរើស និងរាប់ពាក្យបានត្រឹមត្រូវ។ ប្រើ បញ្ចូល Zero-width space មុនពេលបង្ហោះលើគេហទំព័រ ឬដាក់ចំណងជើងរងវីដេអូ (subtitles) និងប្រើ លុប Zero-width space ដើម្បីសម្អាតអត្ថបទដែលមានគម្លាតនេះច្រើនពេក។ បើក បង្ហាញព្រំដែនពាក្យ ដើម្បីមើលរបៀបដែលអត្ថបទត្រូវបានកាត់។