BroadRouter

Ta marbutah (taa marbuta)

Dikemas kini

Ta marbutah (ة, U+0629) ialah huruf Arab yang hanya muncul di hujung perkataan, selalunya menandakan kata nama dan kata sifat feminin. Rupanya seperti ha (ه, U+0647) dengan dua titik, jadi teks yang ditaip sering mencampurkan kedua-duanya, dan banyak penormal carian menukar ة kepada ه.

Juga dikenali sebagai: ta marbutah, ta marbuta, teh marbuta, taa marbouta

مدرسة dan مدرسه ialah perkataan yang sama, “sekolah”, bagi kebanyakan pembaca Arab. Bagi perbandingan rentetan, kedua-duanya berbeza. Ta marbutah ialah puncanya.

Cara ia berfungsi

Unicode Standard menyenaraikan TEH MARBUTA (U+0629) sebagai aksara akhiran, iaitu aksara yang hanya muncul di hujung perkataan atau morfem. Ia bersambung ke kanan sahaja, jadi ia hanya bersambung dengan huruf sebelumnya. Bentuknya ialah bentuk HEH (U+0647) di hujung perkataan, ditambah dua titik:

Aksara Code point Nama Unicode Bentuk akhir selepas ب
ة U+0629 ARABIC LETTER TEH MARBUTA بة
ه U+0647 ARABIC LETTER HEH به

Oleh sebab kedua-duanya hanya berbeza dengan dua titik di hujung perkataan, kedua-dua ejaan muncul dalam teks yang ditaip. Bouamor et al. (2018) menyatakan bahawa walaupun Bahasa Arab Standard Moden mempunyai ortografi piawai, dialek-dialeknya tidak, dan orang sering mengeja perkataan mengikut sebutan mereka. Jadi dalam teks tidak formal dan dialek Arab, jangkakan ه di akhir perkataan di mana kamus akan menulis ة.

Penormal carian menggabungkan kedua-duanya. normalize_teh_marbuta_ar dalam CAMeL Tools hanyalah s.replace('ة', 'ه'), dan ArabicNormalizer Lucene menyenaraikan “normalization of teh marbuta to heh” sebagai satu peraturan.

Mengapa ia penting

Dapatan semula (recall). Menggabungkan ة ke dalam ه membolehkan pertanyaan مدرسه menemui dokumen yang mengeja مدرسة, dan sebaliknya. Ia salah satu peraturan standard penormalan teks Arab, bersama penggabungan alif dan hamzah.

Perkataan bergabung. Peraturan ini juga meleburkan perkataan yang hanya berbeza pada huruf ini:

Asal Maksud Selepas ة ke ه
كرة bola كره
كره kebencian كره

Bagi carian, padanan palsu yang sesekali berlaku biasanya harga yang berpatutan. Bagi pemadanan entiti, pembetulan ejaan atau teks undang-undang, kekalkan perbezaannya dan bandingkan teks asal.

Pemarkahan. Dalam penilaian speech-to-text, transkrip yang menulis ه di mana rujukan mempunyai ة dikira sebagai ralat perkataan, kecuali kedua-duanya dinormalkan dengan cara yang sama. Putuskan sebelum memberi markah, dan nyatakannya.

Di BroadNet Inference

API BroadNet tidak menormalkan teks. Model chat menerima dan memulangkan ة dan ه tepat seperti yang ditulis, dan BroadNet Transcribe Arabic memulangkan teks Arab biasa. Gunakan peraturan ة dalam kod indeks atau pemarkahan anda sendiri, pada kedua-dua belah.

Jika anda meminta model chat membetulkan ejaan, semak suntingannya dalam kod: hantaran pembetulan ejaan Arab menunjukkan semakan berasaskan diff. Bagi indeks, hantaran carian RAG Arab dan panduan penormalan menunjukkan di mana peraturan ini sesuai. Anda boleh mencuba peraturan ini pada rentetan anda sendiri dengan penormal teks Arab.

Soalan lazim

Mengapa tidak menukar ه kepada ة sahaja?

Kerana ه ialah huruf yang biasa dengan sendirinya, termasuk akhiran ganti nama yang bermaksud "nya" (lelaki). Menukar ة kepada ه adalah sehala dan selamat digunakan di mana-mana; arah sebaliknya akan mencipta huruf yang tidak wujud.

Adakah peraturan ة ke ه terpakai di tengah perkataan?

Ta marbutah hanya muncul di hujung perkataan atau morfem, jadi secara praktikal peraturan ini hanya mengubah huruf akhir. CAMeL Tools menggantikan setiap ة tanpa menyemak kedudukannya.

Patutkah pembetulan ejaan memulihkan ة?

Boleh, tetapi sama ada ه di akhir perkataan patut menjadi ة bergantung pada perkataan itu dan kadangkala dialeknya. Biarkan model membetulkannya, kemudian semak perubahan itu dalam kod dan semasa semakan.

Baca sebagai MarkdownTanya ChatGPTTanya ClaudeTanya Perplexity