Difference between revisions of "Token (de)"
| Line 1: | Line 1: | ||
| − | Der Begriff ''' | + | Der Begriff '''Token''' bezeichnet (a) die kleinsten textuellen Einheiten (Wortformen und Interpunktionszeichen) und (b) die konkrete Realisierung von (beliebig komplexen) Einheiten. |
===Kommentar=== | ===Kommentar=== | ||
Zu (a): In den segmentierten Schriftsystemen, welche zum Beispiel aus lateinischen, kyrillischen oder griechischen Zeichen bestehen, ist ein '''Token''' eine Einheit alphanumerischer Zeichen, dessen Anfang und Ende durch ein Leerraumzeichen (''white space'') oder durch eine Interpunktion gekennzeichnet ist. Einzelne Token sind üblicherweise Worte, Wortformen oder Interpunktionen. Ein Text wird mit Hilfe eines [[Tokenizer|Tokenizers]] in seine einzelnen Token zerlegt. Diesen Vorgang bezeichnet man als [[Tokenisierung]]. | Zu (a): In den segmentierten Schriftsystemen, welche zum Beispiel aus lateinischen, kyrillischen oder griechischen Zeichen bestehen, ist ein '''Token''' eine Einheit alphanumerischer Zeichen, dessen Anfang und Ende durch ein Leerraumzeichen (''white space'') oder durch eine Interpunktion gekennzeichnet ist. Einzelne Token sind üblicherweise Worte, Wortformen oder Interpunktionen. Ein Text wird mit Hilfe eines [[Tokenizer|Tokenizers]] in seine einzelnen Token zerlegt. Diesen Vorgang bezeichnet man als [[Tokenisierung]]. | ||
| − | |||
In den nicht-segmentierten Schriftsystemen (wie beispielsweise im Japanischen oder Chinesischen verwendet), existieren weder Leerraumzeichen noch Interpunktion. Für diese Sprachen trifft die oben genannte Definition eines Tokens nicht zu. | In den nicht-segmentierten Schriftsystemen (wie beispielsweise im Japanischen oder Chinesischen verwendet), existieren weder Leerraumzeichen noch Interpunktion. Für diese Sprachen trifft die oben genannte Definition eines Tokens nicht zu. | ||
| − | + | Zu (b): Jede linguistische Einheit (Phonem, Graphem, Wort, Phrase, Satz, etc.) kann in einer komplexeren Einheit mehrfach vorkommen: So kommt das Zeichen /e/ in diesem Satz 5 mal vor. Die zugrunde liegenden Einheiten werden als ''Types'', ihre Realisierungen als ''Token'' bezeichnet. | |
===Beispiele=== | ===Beispiele=== | ||
Revision as of 07:42, 8 July 2007
Der Begriff Token bezeichnet (a) die kleinsten textuellen Einheiten (Wortformen und Interpunktionszeichen) und (b) die konkrete Realisierung von (beliebig komplexen) Einheiten.
Kommentar
Zu (a): In den segmentierten Schriftsystemen, welche zum Beispiel aus lateinischen, kyrillischen oder griechischen Zeichen bestehen, ist ein Token eine Einheit alphanumerischer Zeichen, dessen Anfang und Ende durch ein Leerraumzeichen (white space) oder durch eine Interpunktion gekennzeichnet ist. Einzelne Token sind üblicherweise Worte, Wortformen oder Interpunktionen. Ein Text wird mit Hilfe eines Tokenizers in seine einzelnen Token zerlegt. Diesen Vorgang bezeichnet man als Tokenisierung. In den nicht-segmentierten Schriftsystemen (wie beispielsweise im Japanischen oder Chinesischen verwendet), existieren weder Leerraumzeichen noch Interpunktion. Für diese Sprachen trifft die oben genannte Definition eines Tokens nicht zu.
Zu (b): Jede linguistische Einheit (Phonem, Graphem, Wort, Phrase, Satz, etc.) kann in einer komplexeren Einheit mehrfach vorkommen: So kommt das Zeichen /e/ in diesem Satz 5 mal vor. Die zugrunde liegenden Einheiten werden als Types, ihre Realisierungen als Token bezeichnet.
Beispiele
Der Satz John Mack trägt seinen Spitznamen "das Messer" zu Recht. (TA von Mi, 18.12.2002) wird in die folgenden zwölf Token unterteilt:
John
Mack
trägt
seinen
Spitznamen
"
das
Messer
"
zu
Recht
.
Herkunft
englisch token - Zeichen, Merkmal, Spielstein
