“我正在尝试找到一种可靠的方法来匹配数据库中的重复人员记录。”
唉,没有这样的事情。您最多可以期望的是一个具有合理怀疑因素的系统。
SQL> select n1
, n2
, soundex(n1) as sdx_n1
, soundex(n2) as sdx_n2
, utl_match.edit_distance_similarity(n1, n2) as ed
, utl_match.jaro_winkler_similarity(n1, n2) as jw
from t94
order by n1, n2
/
2 3 4 5 6 7 8 9
N1 N2 SDX_ SDX_ ED JW
-------------------- -------------------- ---- ---- ---------- ----------
MARK MARKIE M620 M620 67 93
MARK MARKS M620 M620 80 96
MARK MARKUS M620 M622 67 93
MARKY MARKIE M620 M620 67 89
MARSK MARKS M620 M620 60 95
MARX AMRX M620 A562 50 91
MARX M4RX M620 M620 75 85
MARX MARKS M620 M620 60 84
MARX MARSK M620 M620 60 84
MARX MAX M620 M200 75 93
MARX MRX M620 M620 75 92
11 rows selected.
SQL> SQL> SQL>
SOUNDEX 的一大优势在于它可以对字符串进行标记。这意味着它为您提供了可以索引的东西:当涉及大量数据时,这非常有价值。另一方面,它又旧又粗糙。周围有更新的算法,例如 Metaphone 和 Double Metaphone。您应该能够通过 Google 找到它们的 PL/SQL 实现。
评分的优点是它们允许一定程度的模糊性。所以你可以找到所有行where name_score >= 90%
。压倒性的缺点是分数是相对的,因此您无法索引它们。这种比较会杀死你大量的数据。
这意味着:
- 您需要多种策略。没有一种算法可以解决您的问题。
- 数据清洗很有用。比较 MARX 与 MRX 和 M4RX 的分数:从名称中去除数字可以提高命中率。
- 你不能在飞行中获得大量的名字。如果可以,请使用标记化和预评分。如果您没有大量流失,请使用缓存。如果您负担得起,请使用分区。
- 使用 Oracle Text(或类似的)构建昵称和变体的词库。
- Oracle 11g 为 Oracle Text 引入了特定的名称搜索功能。了解更多。
- 建立一个用于评分的规范名称表并将实际数据记录链接到该表。
- 使用其他数据值,尤其是可索引的值,如出生日期,来预过滤大量姓名或增加对建议匹配的信心。
- 请注意,其他数据值也有其自身的问题:出生于 2011 年 1 月 31 日的人是 11 个月大还是 80 岁?
- 请记住,名称很棘手,尤其是当您必须考虑已罗马化的名称时:Moammar Khadaffi(在罗马字母表中)有超过四百种不同的拼写方式 - 甚至 Google 也无法就哪种变体最规范达成一致。
根据我的经验,连接标记(名字、姓氏)是喜忧参半。它解决了某些问题(例如道路名称是否出现在地址行 1 或地址行 2)但会导致其他问题:考虑评分 GRAHAM OLIVER vs OLIVER GRAHAM 与评分 OLIVER vs OLIVER、GRAHAM vs GRAHAM、OLIVER vs GRAHAM 和 GRAHAM vs OLIVER .
无论您做什么,最终都会出现误报和未命中的情况。没有算法可以证明错别字(尽管 Jaro Winkler 在 MARX 与 AMRX 方面做得很好)。