我知道这个问题已被问了很多时间。 我想要一个关于哪种算法适合近似字符串匹配的建议。
该应用程序专门用于公司名称匹配，而不是其他任何内容。
最大的挑战可能是公司的名称部分和短名称部分 例： 1. companyA pty ltd vs companyA pty。 LTD。 vs公司A. 2. WES工程与W.E.S.工程（极少发生）
你认为Levenshtein编辑距离是否合适？
我正在使用C＃
此致 最大
答案 0 :(得分：14)
您可以使用各种字符串距离指标。
我会推荐Jaro-Winkler。与编辑距离不同，其中比较结果是以离散的编辑单位，JW为您提供0-1的分数。它特别适合专有名称。另请查看this nice tutorial和this SO question.
我没有使用过C＃，但是我在网上找到了JW的一些实现：
Impl 1（如果查看文件列表，它们也有DOT NET版本）
如果您想进行更复杂的匹配，可以尝试对公司名称（例如ltd/limited, inc/incorporated, corp/corporation）中常见的单词形式进行一些自定义规范化，以说明不区分大小写，缩写等。如果您这样做计算
distance (normalize("foo corp."), normalize("FOO CORPORATION") )
你应该得到的结果是0而不是14（如果你计算了levenshtein edit-distance，那就是你得到的结果）。
答案 1 :(得分：1)
是的，Levenshtein距离适合这个。它将适用于您至少列出的所有人。
您也可以使用Soundex，但我认为您不需要它。
答案 2 :(得分：1)
在这些简单的例子中，只删除所有非字母数字字符会给你一个匹配，并且是最简单的方法，因为你可以预先计算每一侧的数据，然后做一个直线等于匹配，这将是一个比交叉乘法和计算编辑距离快得多。
答案 3 :(得分：0)
我已在另一个问题中提供了我的答案。
https://stackoverflow.com/a/30120166/2282794
我已经研究过具有类似名称匹配要求的大型系统，您已经讨论过了。 名称匹配不是很简单，名字和姓氏的顺序可能不同。 在这种情况下，简单的模糊名称匹配算法会失败。
如果我们只是想谈谈近似字符串匹配算法，那么有很多。其中很少是：Jaro-Winkler，编辑距离（Levenshtein），Jaccard相似度，Soundex / Phonetics算法等。一个简单的谷歌搜索将给我们所有的细节。 您可以在C＃
中实现所有这些功能反讽是，当你尝试匹配两个给定的输入字符串时，它们会工作。理论上很好，并证明模糊或近似字符串匹配的工作方式。
然而，非常低调的一点是，我们如何在生产环境中使用相同的内容。并非所有我知道谁在寻找近似字符串匹配算法的人都知道如何在生产环境中解决这个问题。
我可能刚刚谈到了特定于Java的Lucene，但也有.Net的Lucene。