Database design 使用可变用户输入填充外键表

我正在开发一个基于用户贡献数据的网站， 使用常规HTML表单提交

为了简化我的问题，我们假设 表单：“用户名”和“国家”（这只是一个示例，而不是 实际地点）

数据库中将有两个表：“国家”和“用户” “users.country_id”是“countries”表的外键 （一对多）

初始数据库将为空。来自世界各地的用户将 提交他们的姓名和居住的国家，并最终提交 “国家”表将填写中的所有国家名称 世界

由于一个国家可以有多个备选名称，输入如下 智利、辣椒、辣椒将在世界上创造3项不同的记录 国家表，但实际上只有一个国家。 当我搜索来自智利的记录时，辣椒和辣椒将不包括在内

所以我的问题是-什么是最好的方式来处理一个问题 类似这样的情况，条件是初始数据库 空，没有其他可用资源，所有内容都基于 用户输入

我怎样才能把它组织得像智利、辣椒和辣椒那样好呢 被视为一个国家，人工干预最小

当涉及到规范化用户时，最佳实践是什么 提交的数据，是否有科学术语？我敢肯定 这是一个常见的问题

再说一遍，我使用国家名称只是为了简化我的问题，它可以是

---

任何可能有不同拼写的东西。

我想说的是使用国家的下拉列表，您可以使用javascript轻松填充它。你可以在这里找到所有国家的名单

---

至于你的标准化问题，根据你的例子，我看不出设计有任何问题

你不能通过编程确定智利应该和Chili一样，Chili和Chili一样。通过国家/地区示例，您可以在数据库中输入一个国家/地区列表，并有一个下拉列表供用户选择

如果数据都是用户输入的，则只有当数据完全相同时才能进行匹配，因此它们的含义相同

---

你可能会想出一个算法，将相似但不相似的单词关联起来，这只会导致不确定的结果（灾难）。例如（使用与您所在国家不同的示例），您可能会通过编程方式确定单词fight和sight仅相差一个字母，因此它们是相似的。但它们真的是吗？仅仅因为这两个词在语法上是相近的，并不意味着它们在语义上也是相近的。我猜这就是你想要的

无论是基于文件的搜索引擎（Lucene、Sphinx等）还是基于数据库的搜索引擎（Oracle Text、MSSQL Fulltext），都可以用同义词表解决这个问题。也就是说，它们以同义词的形式收集单词。作为同义词的条件比罗格的书中更严格，但原则是一样的。同义词包括缩写词、首字母缩写词和常见拼写错误。例如，搜索词典可能会将street和st识别为同一事物。尽管如此，上下文就是一切：在字符串“St Pancras Road”中，St是圣人的同义词

那么，这对你有帮助吗？在一定程度上。它建议您要实现的类型：

string      | canonical
------------+----------
street      |
st          | street
strete      | street
Chile       |
chilly      | Chile
chili       | Chile

不幸的是，建立和维护同义词库需要人类的创造力和努力。建立分类法需要专业知识；跟踪新添加的内容需要时间。另一件事是，即使有了同义词表，匹配的可能性仍然存在：MoMA可能与现代艺术博物馆相同，但它与SFMOMA或NYMOMA相同吗？不完全一样，但可能有90%是一样的

另一种方法是这样做，即使用标记。当您为问题添加标签时，会出现一个下拉框，提示可用的标签。你打了更多的信，名单就缩小了。这并不是万无一失的，看看像

tsql

和

t-sql

这样的标签的存在，但是它非常好。所以也有一个备份，那就是为超级用户提供一份新铸造的标签列表，以便他们可以调查这些硬币，或许可以撤销它们。但这仍然是一个手工过程

---

唉，没有任何一种算法能告诉我们，现代艺术博物馆与现代艺术博物馆是一样的，更不用说搞清楚它是否引用了纽约或旧金山的制度。 在我的例子中，使用国家名称只是为了简单起见。我觉得国家名称是一个不好的例子来解释我的问题。另一个例子：MoMA和现代艺术博物馆。词汇上不同，但指一个实体。我知道这是不可能通过编程来检测的。我只是在寻找处理它的一般方法，希望有人以前也处理过类似的事情。一个解决方案是在用户界面中添加一些东西，允许用户将MoMA标记为现代艺术博物馆的变体，然后网站管理员可以对数据库进行适当的更改。但是如果有成千上万的这样的记录呢？