15

我正在寻找一个允许智能比较两个字符串的库/类。充其量它会给出两个字符串相似程度的百分比。我正在比较公司名称，记录在不同存储库中的地址，因此名称中有许多拼写错误或不一致。

要比较的示例字符串：

 "Good Company Ltd." vs. "GoodCompany" 
 "Baker Street 2" vs. "Baker Str. 2"

如果我得到相似百分比的结果，那么这可以作为此类数据智能合并的输入。

你知道任何允许这种智能字符串比较的好库吗？

4

3 回答 3

16

Levenshtein 在这种情况下不合适。“Good Company Ltd”和“GoodCompany”如果修剪后的距离 = 3，而“Good Company Ltd”和“Food Company Ltd”的距离为 1，但含义完全不同。我建议Metaphone 或 Double Metaphone算法。

使用在线变音比较器的结果是：

Good Company Ltd = KTKMPNLTT
GoodCompany = KTKMPN
Food Company Ltd = FTKMPNLTT
GoodCompanyLLC = KTKMPNLK

通过这种方式，您知道GoodCompany,Good Company Ltd和GoodCompanyLLC相似，而 whileFood Company拼写错误或完全不相关（KTKMPN包含在KTKMPNLTT和KTKMPNLK但不包含在 中FTKMPNLTT）。

在此处查看其他算法比较。

于 2013-05-23T12:22:26.267 回答
14

您可能想寻找Levenshtein Distance实现。它显示了使两个字符串相等需要多少字符插入/删除和替换。

这是一篇关于实现 Levenshtein Distance 和其他文本比较算法的 C# 库的帖子：.NET library for text algorithms？.

但是我认为您必须使用一些方法组合，因为使用 Levenshtein 会告诉您“Good Company Ltd.”。更类似于“Bad Company Ltd.” 而不是'GoodCompany'。

也许您必须通过扩展“str”来进行一些预处理。到“街道”并删除“有限公司” 在字符串比较方面作为“无意义”的词。

更新 1

Francesco De Lisi建议使用语音算法。看起来它们更适合比较拼写错误的名称。您仍然需要将地址拆分为语音/非语音部分（如建筑物编号）并分别进行比较。

更新 2

至于地址比较，这篇文章建议为此目的使用 Google Maps API ，另一篇文章讨论了地址解析。我猜谷歌可以产生可靠的结果，因为他们有一个街道地址数据库，他们可以在其中找到最正确的街道名称拼写。如果没有正确的街道/公司名称列表，您可能会遇到一些不正确的奇怪名称，但是许多不同的正确名称会与之相似。

于 2013-05-23T11:59:13.467 回答
8

您正在寻找的是Levenshtein 距离（维基百科）：

... Levenshtein 距离是用于测量两个序列之间差异的字符串度量。通俗地说，两个单词之间的 Levenshtein 距离是将一个单词更改为另一个单词所需的最小单字符编辑（插入、删除、替换）次数

于 2013-05-23T11:59:43.703 回答