python-3.x - 我有一个名字列表，其中一些是假的，我需要使用 NLP 和 Python 3.1 来保留真名并扔掉假名

Question

我不知道从哪里开始。我从来没有做过任何 NLP，只用 Python 3.1 编程，我必须使用它。我在看网站 http://www.linkedin.com我必须收集所有公开资料，其中一些有非常假的名字，例如“aaaaaa k dudujjek”，有人告诉我可以使用 NLP 找到真实姓名，我该从哪里开始呢？

Answer 1

这是一个很难解决的问题，首先要获取有效的名字和姓氏列表。

您正在评估的名称集有多大，它们来自哪里？这些都是您需要考虑的重要事项。例如，如果您正在评估一小组“美国”姓名，则您的有效姓名列表将与日本或印度姓名列表大不相同。

您抓取 LinkedIn 的想法是正确的，但您发现虚假个人资料/姓名缺陷是正确的。一个更好的网站可能类似于 IMDB(可能是抓取名称 by iterating over different birth years)，或者维基百科的列表 most popular given names和 most common surnames .

归根结底，这是一个准确率与召回率的问题:为了少漏掉假货，你不可避免地会丢掉一些真名。如果你放宽限制，你会得到更多的假货，但你也会扔出更少的真名。