用于分割部分个人姓名的算法

Question

我正在寻找关于分离名称的参考：“John A. Doe”的部分，第一个=约翰，中间= A.，最后= Doe。在墨西哥，我们有父系，母系，第一和第二名，并且可以用不同的排列编写，因此问题非常复杂。

由于它取决于数据，我们正在使用匹配软件来计算每个单词的分数，以便我们可以做出决策（它基于一个大型数据库）。输入数据不干净，它是从一些政府网页导入的，并且是人工过滤的，因此它也可能具有必须被识别的垃圾。有什么建议吗？

[编辑] 例子：

name:
   Javier Abdul Córdoba Gándara
common permutations (or as it may appear in gvt data referring to same person):
   Córdoba Gándara Javier Abdul
   Javier A. Córdoba Gándara
   Javier Abdul Córdoba G.

paternal=Córdoba
maternal=Gándara
first given:Javier
second given:Abdul

name: María de la Luz Sánchez Martínez
paternal:Sánchez
maternal: Martínez
first given: María de la Luz

name: Paloma Viridiana Alin Arias Medina
paternal: Arias
maternal: Medina
first given: Paloma
second given: Viridiana Alin

正如我所说，每个单词的含义取决于分数。如果没有得分，则无法知道

Viridiana

和

Alin

的名称。

我们有一个非常强大的数据库（8000万条记录左右），所以我们可以使用评分系统。我正在设计一些使用它但寻找其他参考的算法。

Answer 1

不幸的是 - 并且我自己完成了相当多的工作 - 您理想的算法将非常符合数据，您需要针对您的特定情况进行此操作。

在开发此算法的总时间和精力中，我会说时间大致如下：

1. 一般字符串操作的10％
2. 30％的具体性质 数据（墨西哥名称格式，数据输入怪癖）
3. 60％以满足数据质量/缺乏 质量

而且我相信这对于一般的字符串操作非常慷慨。当然，这取决于您是否需要所有记录的质量结果，或者仅需要“干净”记录等，如果您能够忽略“困难”记录，则会使其变得更加简单。

一些一般提示

• 如果不需要，请删除非字母数字/空格字符
• 拆分空格
• 使用连字符/标点符号来识别姓氏或姓氏
• 姓名首字母（一般单身 字母）不是姓氏;即他们 必须是第一个/中间
• 确定您以编程方式识别每个名称的置信度（并彻底测试）。您可能会发现有些数据子集包含需要单独处理的类似模式（它们可能来自不同的来源等）

Answer 2

您可能需要添加一些自然语言或机器学习来检查。识别作者姓名的问题（例如在科学论文中）是很困难的，因为它们可以用不同的顺序，缩写的程度，精算等来报告。如果你的数据库很脏，那么无论你做什么，都会以模棱两可的方式结束。