Tegnsekvenser

Tegnsekvenser er ordnede rekker av tegn eller symboler fra et tegnsett. De brukes til å representere tekst, data og symbolsystemer, og kan være korte enkeltstrenger eller lange tekstdokumenter. I informasjonsbehandling omtales de ofte som tekststrenger, og lengden måles i antall tegn eller kodepunkter avhengig av kontekst.

I lingvistikk og naturlig språkbehandling studeres tegnsekvenser som bokstav- og lyddeler i ord og setninger. Slike sekvenser brukes i analyse av ortografi, lydsystemer og mønstre i språk. Begrepet n-gram beskriver sekvenser av n påfølgende tegn og brukes i statistiske modeller og tekstklassifisering.

I databehandling er tegnsekvenser sentrale i programmeringsspråk, databaser og filformater. Forskjellen mellom tegn, koding og tegnsekvenser blir viktig ved tekstkoding: ASCII og Unicode definerer hvordan tegn representeres i bytes, og UTF-8, NFC og andre normaliseringer håndterer kombinierte tegn og diakritika. Behandling av tegnsekvenser må også ta høyde for ligaturer og grapheme-klusterer.

Praktiske anvendelser inkluderer søk og tekstanalyse, tokenisering, og kontroll av brukerinput gjennom validering og rensing av data. Kunnskap om tegnsekvenser er også sentral ved utvikling av programmeringsspråk og grensesnitt, særlig når internasjonale tegn må støttes korrekt.