我正在做记录链接项目，我需要对各种字符串比较器做一些调查工作。我正在看的是：
Jaro-Winkler、Levenshtein 距离、最长公共子串和精确匹配。
我想知道，有没有做任何工作来确定哪个好用以及什么时候用？也就是说，Jaro-Winkler 似乎对名称有好处，但对社会安全号码进行精确匹配可能会更好。您会使用哪个地址？Jaro-Winkler 比其他人有优势吗？
有没有人可以指出我的白皮书？
谢谢。
问问题
1057 次
3 回答
2
一个很好的起点是 William W. Cohen 等人的论文“名称匹配任务的字符串距离度量的比较” 。该论文比较了几个字符串距离度量。
他们还在SecondString 项目中实现了其中的大部分。它是一个“基于 Java 的开源近似字符串匹配技术包”，因此您可以轻松比较不同的指标，而无需自己实现所有内容。
几乎不可能说哪个指标是最好的。正如您所说，Jaro-Winkler 对名称很有用，为了比较地址，使用 Cohen 描述的 TFIDF 或 SoftTFIFD 等基于令牌的指标可能是有意义的。
为了能够做出决定，您还应该考虑底层算法的复杂性和相关的执行时间。
于 2012-05-03T12:03:44.790 回答
0
于 2011-12-13T23:11:37.990 回答
0
对于姓名，尤其是英语姓氏，Caverphone 算法非常值得一看。我在我的数据集上测试了几个，它表现最好——至少满足我的需要。
于 2015-09-19T05:05:49.227 回答