- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我在 MySql 中有一张表,里面有名字。我试图在给定输入名称的情况下在表中找到所有相似的名称。我听说过很多关于 Levenshtien/Damerau–Levenshtein 距离的信息,但它似乎不太适用于此,稍后我将解释我的推理。
详细说明:
我质疑在这种情况下使用 Levenshtien/Damerau–Levenshtein 距离的原因是它无法很好地检测到额外的名称或缺失的名称。我对 Levenshtien 距离的理解是,它找到将一个词更改为另一个词所需的最小单字符编辑次数(插入、删除或替换)。因此,以下将被视为与原始字符串的距离相同。
Original string: "Juan Beldad"
Want to find: "Juan Manuel Beldad"
(7 character insertion)
Would also find: "Mike Bell"
(5 character substitution (M-i-k-e-l), 2 character deletion(a-d))
由于两者的编辑距离均为 7,因此“Mike Bell”与“Juan Beldad”的距离与“Juan Manuel Beldad”的距离相等。
我正在考虑查询数据库,删除输入端和表端的中间名,然后进行 Levenshtien/Damerau–Levenshtein 距离?我是不是想多了,还有更好的方法吗?
最佳答案
匹配名称时需要考虑很多可能的问题。其中一些是:
Damerau–Levenshtein 距离是 edit distance algorithms 之一您可以使用。每种算法都负责不同的操作(字符插入、替换、删除、交换等),两者都不是完美的,但每种算法都提供了两个字符串之间的距离。
您需要决定您可以接受多少误差(即正匹配的截止值)。您给出的示例包括至少 7 个操作。在那么多操作中,许多名称将返回相同的距离。
当比较名字时,你应该尝试通过规范化使双方具有可比性:例如,如果一方只有名字的第一个字母,你也应该在另一方做同样的事情,以便编辑距离算法给出你会得到更好的结果。
同样,如果对方没有中间名,您可以去掉中间名(您可以忽略中间名作为名字输入的情况)。但更好的替代方法是使用名称中所有可用的词生成所有可能的名字-姓氏对,然后查看是否有任何对会产生更好的编辑距离。您还可以单独比较每个单词并找到得分最高的最佳单词组合(权衡是忽略单词边界处的拼写错误)。
您还应该考虑使用 phonetic similarity algorithm除了 Damerau–Levenshtein 之外,还喜欢 Double Metaphone,并生成综合分数。语音算法是为特定的语系设计的,并试图确定两个名字在该语系中是否听起来相似。结果本身并不可靠(至少我的经验是这样),但这与编辑距离算法相结合将改善您的匹配。
为了降低错误率,应考虑额外的数据元素,如 ZIP、DOB 等。
最后,一切都取决于权衡:您的预期用例、您可接受的正匹配阈值、您的数据质量、时间/成本限制等。例如:您可以只需要第一个字母除了 Damerau–Levenshtein 距离之外,名字和姓氏的第一个字母要相同。这将通过忽略首字母拼写错误的权衡来减少误报池。
就像现在的许多事情一样,我认为通过训练有素的机器学习模型可以在这个领域取得最好的结果。我已经有一段时间没有在这个领域工作了,所以我不确定那里有什么,但你可能会找到一个很好的基于云的解决方案来获得最好的质量匹配,当然是收费的,如果这对你很重要的话。
您可以看到 overview of name matching techniques此处作为进一步阅读。
关于c# - 从数据库中查找相似的人名,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/63431855/
我在 GlassFish (J2EE_1.4) 上的 NetBeans 中开发企业项目。我的项目中有一些实体 bean、一些 session bean 和消息驱动 bean。我以如下方式使用 serv
什么在速度方面更好...... 我正在尝试确定用户是否已将某个 URL 添加到他们的快捷方式列表中。如果他们添加了 URL,页面上就会有一个链接,用于从快捷方式中删除该页面,否则他们可以将其添加到快捷
我的问题如下: 我打开一个Excel-File,但我不知道我的客户在模板文件中使用了哪些可能的标头变量。它们可以是:#DATE,#TIME,#NAME等。因此,我需要查找这些变量,以及是否已使用过:替
我有一堆以“-e”结尾的文件要删除。 $ find . -name "*-e" exec rm {} \; find: exec: unknown primary or operator 正则表达式是
我有一个简单的问题:是否可以在 TypeScript 中获取联合的一部分的类型? 例如,您可以经常使用如下查找类型: interface Person { name: string; } type
我正在尝试设置 Point Cloud Library启用 CUDA 选项的主干构建。 我相信我已经按照 these instructions 正确安装了 CUDA . 在 PCL 构建的 cmake
我将首先说我所知道的唯一 VBA 是操作录制的宏的反复试验。我是一名注册会计师,试图以艰难的方式学习 VBA(并希望我去学校学习计算机编程!)。 我有带有多个工作表的大型工作簿。 G 列中以黄色突出显
当文件数达到阈值时,我试图删除目录中最旧的文件。 list_of_files = os.listdir('log') if len([name for name in list_of_files
我有一个数组,它有一些重复的值。 我必须计算每个重复项的数量及其索引。 打印如: Index of b: 1 Index of b: 4 Index of c: 2 Index of c: 3 Ind
我已经搜索了我的问题的解决方案,但没有成功。热键 ctrl+F 找到的 eclipse 查找/替换功能不起作用。注意:通过 Eclipse 菜单 Edit>Find Replace(不工作我的意思是
我想检查 div 是否包含类为“error”的子级,但条件是错误类显示不等于无。 (意味着错误类必须可见。 如何更改我的以下代码: $(".related_field").each(function
这个问题已经有答案了: 已关闭13 年前。 Possible Duplicate: Can jQuery provide the tag name? 嗨! 这个问题太基础了,我不好意思问,但我尝试了
我一直听说这是 cygwin 的路径问题。它阻止了 emacs 在我的 cygwin 中工作。当我在 cli(不是 bash/cygwin)上执行 find 时,无论我输入什么,我都会得到同样的错误。
我正在使用此变量来获取一个或多个与我需要的值相匹配的值。 var mail = $("#dat").contents().find("td:contains('" + name + "')" ).si
请原谅这个长问题。我只是不确定解决这个问题的最佳方法是什么。 我有一个电子表格(Google 表格),其中包含用户和地址列表,我需要从中创建邮寄标签。该电子表格是从我们的学生信息系统导出的。这些地址应
我正在 Excel VBA 中创建一个公式,以解析单元格中以逗号分隔的“部分”列表。在另一个工作表中查找具有该零件名称的单元格,然后使用找到的该单元格的地址来获取同一行不同列的零件成本。我为此工作了数
我被要求在网络应用程序上实现一些电子邮件地址验证 - 我确信我们都已经经历过一千次了...但是,这一次我被要求在域上进行 MX 查找查看它是否接受电子邮件。 有人知道这样做有任何潜在的问题吗? mx
我有一个切换按钮,可读取.wave文件,并且字符串更改为暂停,然后..... 我的问题是,当用户播放声音时,按钮字符串更改为暂停,结束声音后,该字符串仍为暂停状态,我想将其更改为播放。但是我不知道如何
对于令人困惑的标题提前表示歉意。我的问题如下,我在大约 600 个文件中有以下文本: $_REQUEST['FOO'] 我想将其替换为以下内容: $this->input->post('FOO') 为
我正在使用 Ansible 的查找功能查找 INI 文件中的值。这是文档中的示例: - debug: msg="User in integration is {{ lookup('ini', 'use
我是一名优秀的程序员,十分优秀!