algorithm - 字符串比较算法，相关性， "alike"2个字符串是多少

Question

我有相同数据(公司)的 2 个信息源，我可以通过唯一 ID(契约(Contract)号)将它们连接在一起。第二个不同来源的存在是由于这两个来源是手动独立更新的。所以我在 2 个表中有一个 ID 和一个公司 Name。

我需要想出一个算法来比较 2 个表中的 Name 是否具有相同的 ID，然后对所有companys 通过一个变量来表示字符串的不同程度(突出显示最不同的字符串，将其放在列表的顶部)。

我看过简单的 Levenshtein 距离计算算法，但它在字母级别，所以我仍在寻找更好的东西。

Levenshtein 没有真正做到这一点的原因是:公司有一个名称，其前缀或后缀是组织形式(LTD、JSC、co. 等)。所以我们可能有很多 JSC "Foo" 与 Foo JSC. 有很大不同，但我真正在数据库中寻找的是成对的不同字符串像 SomeLongCompanyName JSC 和 JSC OtherName。

有什么好的方法可以做到这一点吗？ (我不太喜欢使用正则表达式分隔每个字符串中的单词，然后使用 Levenshtein 距离为另一个字符串中的每个单词找到匹配项的想法，所以我正在寻找其他想法)

Answer 1

怎么样:
1. 用空格替换所有标点符号。
2. 将字符串分成以空格分隔的单词。
3.将<= 4个字符的所有单词移到末尾，按字母顺序排序。
4. 编辑。