Сопоставление неточных названий компаний в Java

Ваша база данных может поддерживать использование регулярных выражений (regex) - см. Ниже некоторые руководства по Java - вот ссылка на документацию MySQL (в качестве примера):

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

Вы, вероятно, захотите сохранить в базе данных довольно сложное регулярное экспресс-заявление для каждой компании, которое охватывает варианты написания, которые вы можете ожидать, или подэлементы названия компании, которые вы хотели бы взвесить как значимые.

Вы также можете использовать библиотеку регулярных выражений в Java

JDK 1.4.2
http://java.sun.com/j2se/1.4.2/docs/api/java/util/regex/Pattern.html

JDK 1.5.0
http://java.sun.com/j2se/1.5.0/docs/api/java/util/regex/Matcher.html

Использование регулярных выражений в Java
http://www.regular-expressions.info/java.html

Объяснение API Java Regex http://www.sitepoint.com/article/java-regex-api-explained/

Вы также можете проверить, поддерживает ли ваша база данных возможности Soundex (например, см. Следующую ссылку на MySQL)
http://dev.mysql.com/doc/refman/5.0/en/string-functions.html#function_soundex

Вы можете использовать алгоритм LCS для их оценки.

Я делаю это в моем Фотоальбом, чтобы упростить отправку фотографий по электронной почте и правильно отнести их к категориям безопасности.

• Код LCS
• Пример использования (угадывание категории на основе того, что люди вошли)

Вы можете использовать Lucene для индексации своей базы данных, а затем запросить индекс Lucene. Есть несколько поисковых систем, построенных на основе Lucene, в том числе Solr.

Взгляните на Lucene. Это библиотека Java для полнотекстового поиска с открытым исходным кодом и возможностью «почти совпадения».

Вы можете максимально стандартизировать форматы в своей БД / карте и вводе (т.е. преобразовать в верхний / нижний регистр), а затем использовать Левенштейн (править) метрика расстояния из динамического программирования для оценки ввода по всем вашим известным именам.

Затем вы можете попросить пользователя подтвердить совпадение, и, если ему это не нравится, дать ему возможность ввести это значение в ваш список известных имен (если подумать - это может быть слишком большой властью, чтобы дать пользователю ... .)

Я бы сделал LCS, игнорируя пробелы, знаки препинания, регистр и варианты «co», «llc», «ltd» и т. д.

vote up 1 vote down

Вы можете использовать алгоритм LCS для их оценки.

Я делаю это в своем фотоальбоме, чтобы упростить отправку фотографий по электронной почте и правильно отнести их к категориям безопасности.

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

чтобы быть более точным, лучше, чем наименьшая общая подпоследовательность, наименьшая общая подстрока должна быть более точной, поскольку важен порядок символов.

Хотя эта ветка немного устарела, я недавно провел исследование эффективности метрик расстояния между строками для сопоставления имен и наткнулся на эту библиотеку:

https://code.google.com/p/java-similarities/

Если вы не хотите тратить много времени на реализацию алгоритмов строкового расстояния, я рекомендую попробовать в качестве первого шага, уже реализовано ~ 20 различных алгоритмов (включая алгоритмы Левенштейна, Яро-Винклера, Монжа-Элкана и т. д. ), а его код достаточно хорошо структурирован, чтобы вам не нужно было глубоко понимать всю логику, но вы можете начать использовать его за считанные минуты.

(Кстати, я не являюсь автором библиотеки, так что спасибо ее создателям.)