Question

我有一个公司数据库。我的应用程序接收按名称引用公司的数据，但名称可能与数据库中的值不完全匹配。我需要将传入的数据与它所引用的公司进行匹配。

例如，我的数据库可能包含名称为“A. B. Widgets＆amp; Co Ltd.”的公司。而我的传入数据可能会引用“AB Widgets Limited”，“A.B。Widgets and Co”或“A B Widgets”。

公司名称中的某些单词（A B Widgets）对于匹配比其他单词（Co，Ltd，Inc等）更重要。避免错误匹配很重要。

公司数量足够小，我可以在内存中维护他们的名字地图，即。我可以选择使用Java而不是SQL来查找正确的名称。

你会如何用Java做到这一点？

Answer 1

您可以在数据库/地图中尽可能标准化格式。输入（即转换为大写/小写），然后使用动态编程中的Levenshtein (edit) distance metric来根据所有已知名称对输入进行评分。

然后，您可以让用户确认匹配＆amp;如果他们不喜欢它，给他们选择将这个值输入你的已知名字列表（第二个想法 - 这可能是给用户太多的力量......）

Answer 2

虽然这个帖子有点旧，但我最近对名字匹配的字符串距离指标的效率进行了调查，并且遇到了这个库：

如果你不想花费多少时间来实现字符串距离算法，我建议尝试第一步，已经实现了大约20种不同的算法（包括Levenshtein，Jaro-Winkler，Monge-Elkan）算法等）和它的代码结构很好，你不必深入理解整个逻辑，但你可以在几分钟内开始使用它。

（顺便说一句，我不是图书馆的作者，所以对其创作者来说是赞誉。）

Answer 3

您可以使用LCS算法对其进行评分。

我在photo album中执行此操作，以便在照片中发送电子邮件，并使其适当地落入安全类别。

Answer 4

我会忽略“co”，“llc”，“ltd”之类的空格，标点符号，大小写和变体，等等。

Answer 5

看看Lucene。它是一个开源的全文搜索Java库，具有“近匹配”功能。

Answer 6

您的数据库可能支持使用正则表达式（正则表达式） - 请参阅下面的Java中的一些教程 - 这里是MySQL文档的链接（作为示例）：

http://dev.mysql.com/doc/refman/5.0/en/regexp.html#operator_regexp

您可能希望在数据库中存储一个相当复杂的常规快递声明，其中包含您可能预期的拼写变化的每个公司 - 或者您希望权衡为重要的公司名称的子要素

您也可以在Java中使用正则表达式库

您可能还想查看您的数据库是否支持Soundex功能（例如，请参阅以下MySQL链接） http://dev.mysql.com/doc/refman/5.0/en/string-functions.html#function_soundex

Answer 7

您可以使用Lucene索引数据库，然后查询Lucene索引。在Lucene之上构建了许多搜索引擎，包括Solr。

Answer 8

投票1票下来

您可以使用LCS算法对其进行评分。

我在相册中执行此操作，以便在照片中轻松发送电子邮件，并使其适当地落入安全类别。

* LCS code
* Example usage (guessing a category based on what people entered)

更精确，优于最小公共子序列，最小公共子串应更精确，因为字符的顺序很重要。