Question

我需要编写一个算法，根据用户输入的名称和地址返回联系人最接近的匹配项。这两个都令人不安，因为有很多方法可以输入公司名称和地址，例如：

Company A, 123 Any Street Suite 200, Anytown, AK 99012
Comp. A, 123 Any St., Suite 200, Anytown, AK 99012
CA, 123 Any Street Ste 200, Anytown, AK 99012

我看过在名字上做Levenshtein距离，但这似乎不是一个好工具，因为他们可以缩写名称。我正在寻找符合最多可能信息的东西。

我最初的尝试是首先将结果限制为邮政编码的前5位，然后根据其他信息尝试过滤为1，但必须有更标准的方法才能完成此操作。我在.NET工作，但会查看您可以提供的任何代码，以了解如何实现这一目标。

Answer 1

我现在还不知道如何实现这一目标，但所有主要的交付公司（FedEx，USPS，UPS）似乎都有一种方法可以将您输入的地址与其数据库进行匹配，并将其转换为规范化形式。正如我在多个网站上看到的那样（亚马逊想到了），我假设这个功能有一个API，但我不知道在哪里寻找它以及它是否适合您的目的。 / p>

只是一个想法。

编辑：我找到了USPS API

Answer 2

我已经通过地址归一化，Metaphone和Levenshtein距离的组合解决了这个问题。您需要将名称与地址分开，因为它们具有不同的特征。以下是您需要执行的步骤：

1）使用（邮编的前六个字符）缩小匹配列表。基本上，您需要计算两个弦的Levenshtein距离，并选择最多距离为1或2的弦。如果你真的需要加快搜索速度，你可以预先计算一个邮政编码表及其“Levenshtein邻居”。

http://en.wikipedia.org/wiki/Levenshtein_distance

2）使用USPS的官方前缀和后缀缩写列表将所有地址缩写转换为标准格式。这有助于确保下一步的结果更加统一：

https://www.usps.com/send/official-abbreviations.htm

3）使用Methaphone算法将地址转换为短代码。这将摆脱最常见的拼写错误。只需确保您的实现可以消除所有非单词字符，完整传递数字并处理多个单词（确保每个单词由单个空格分隔）：

http://en.wikipedia.org/wiki/Metaphone

4）一旦你有使用Levenshtein距离比较地址字符串的Methaphone结果。通过将结果除以较长字符串中的字符数来计算更改分数的百分比。

5）重复步骤3和4，但现在使用名称而不是地址。

6）使用以下公式计算每个条目的分数:(地址的重量*地址分数）+（名称的重量*名称分数）。根据更重要的东西来选择你的重量。我会以.9开头的地址（因为地址更具体）和.1的名称，但权重可能取决于您的应用程序。选择得分最低的条目。如果分数太高（比如说.15，你可以声明没有匹配）。

Answer 3

我认为首先基于邮政编码的过滤是最简单的，因为发现它是相当明确的。从那里你可以提取城市和街道。我不确定你会如何找到这个名字，但如果你已经有一个（名称，地址）对的数据库是可行的，它似乎与地址相匹配。

Answer 4

Dun＆amp; Bradstreet这样做。他们收钱是因为这真的很难。没有“标准”解决方案。在D＆amp; B之类的服务或自己的服务之间，这主要是一个痛苦的选择。

Answer 5

首先，我可能会进行单词索引搜索。这意味着两个阶段：

离线阶段：按关键字生成所有地址的索引。例如，“公司”，“A”和“123”都将成为您上面提供的地址的关键字。你可以做一些词干，这意味着像“街头”这样的词你也会在其索引中添加一个单词“st”。

在线阶段：用户为您提供搜索查询。将搜索查询细分为其所有关键字，并查找数据库中每个关键字的所有可能匹配项。计算每个地址上匹配关键字的数量。然后按匹配关键字的数量对结果进行排序。如果没有太多匹配，这应该可以很快完成，因为它只是几个排序列表合并和增量，最后是排序。

鉴于您知道问题的域，您可以专门使用该算法来使用有关域的知识 - 例如之前提到的邮政编码过滤。

另外，为了让我能够为您提供更好的答案，您是否正在使用SQL数据库？我问，因为我这样做的方法是将关键字索引存储在SQL数据库中，然后按关键字搜索的SQL查询变得非常简单，因为数据库可以完成所有工作。

Answer 6

也许不仅仅使用Levenshtein作为名称，它可能在与联系人的整个字符串表示一起使用时很有用。例如，你的第一个例子到第二个例子的距离是7和第三个9.考虑到字符串的长度为54,50和45，这似乎是一个相对有用且非常简单的相似性度量。

Answer 7

这就是我要做的。我不知道算法，所以我只是使用有意义的东西。

我假设这个人会提供姓名，街道地址，城市名称，州名和邮政编码。

如果邮政编码以9个数字提供，或者有连字符，我会将其删除为5个数字。我会在数据库中搜索具有该zipcode的所有地址。[查询1] 然后我会将状态字母与数据库中的状态字母进行比较。如果它不匹配，那么我会告诉用户。城市名称也是如此。

根据我的理解，街道名称不是数字，只有街道上的房子里面有数字。此外，房屋号码通常在开头，除非是房屋或套房号码。

所以我会用正则表达式搜索旁边的数字和下一个空格或逗号。然后找到没有句点（。）或以逗号结尾的第一个单词的位置。我有街道名称的一部分，所以我可以对之前提取的行进行比较，或者我会将查询更改为街道名称LIKE％streetName％。

我猜这个数据库有一个块上的房子的起始编号和结束编号。我会检查那条街道的行，看看所提供的街道号是否在那条街上。到目前为止，您将知道要显示的正确数据，并且可以在不同的表中查找与该门牌号相关联的名称。我不确定你为什么要比较它。如果您想查找未提供地址的人，则仅用于名称比较。您可以在此处查看比较字符串方式Similar String algorithm

Answer 8

如果你能够可靠地找出每个地址的一般结构（可能是通过其他答案中的建议），你最好的选择是通过USPS认证来运行数据（意思是：结果可靠，准确，并且符合联邦标准）解决验证服务。

@RyanDelucchi，它是一个有趣的问题，但只有你解决了它。所以，@ SteveBering，我建议你将你的联系人列表提交到a list processing service，根据USPS指南，这些联系人将根据地址标记重复项。

由于我在地址验证领域工作，我建议使用SmartyStreets（我工作），因为它可以为您的特定需求提供最大的价值 - 但是，有一些CASS认证的供应商基本上会做类似的的东西。

加权搜索算法找到类似的联系人

8 个答案: