查找字符串值的最佳匹配项-Oracle/Java

继我上一篇文章之后，我们现在面临的另一个挑战是找到地址字段的最佳匹配项

[ADDR\u LINE\u 1，ADDR\u LINE\u 2，CITY，STATE，ZIP]

我们希望返回数据库中可能与[来自文件]的传入地址记录匹配的所有记录。情况是：

以下是数据库中的2条记录

ADDR_LINE_1,        ADDR_LINE_2       , CITY       , STATE, ZIP
001 Chestnut Avenue, Apt 100          , Indiana     , IN  , 9999
Apt 100            , 001 Chestnut Ave., Indianapolis, IN  , 9999

对于传入记录，如下所示

ADDR_LINE_1,        ADDR_LINE_2, CITY        , STATE, ZIP
1 Chestnut Avenue,   Apt 100   , Indiana     , IN   , 9999

我想将该记录检测为现有记录，并列出上述两种可能的匹配项

[注意：]数据库条目的顺序可以互换，但仍应作为可能的匹配项列出

---

有谁能给我提供一些建议，让我如何去做呢

根据Oracle版本的不同，您可以使用来生成相似性分数，然后调整您认为合理的阈值分数。例如，使用Jaro Winkler算法，字符串“001 Chestnut Avenue”和字符串“1 Chestnut Avenue”之间有96%的相似性

SQL> select utl_match.jaro_winkler_similarity( '001 Chestnut Avenue',
  2                                            '1 Chestnut Avenue' )
  3    from dual;

UTL_MATCH.JARO_WINKLER_SIMILARITY('001CHESTNUTAVENUE','1CHESTNUTAVENUE')
------------------------------------------------------------------------
                                                                      96

---

显然，您可能需要做一些工作来确定各个字段的权重——例如，您可能需要在城市上设置一个更高的匹配阈值，这可能比地址的第二行相对标准化

根据Oracle版本的不同，您可以使用来生成相似性分数，然后调整您认为合理的阈值分数。例如，使用Jaro Winkler算法，字符串“001 Chestnut Avenue”和字符串“1 Chestnut Avenue”之间有96%的相似性

SQL> select utl_match.jaro_winkler_similarity( '001 Chestnut Avenue',
  2                                            '1 Chestnut Avenue' )
  3    from dual;

UTL_MATCH.JARO_WINKLER_SIMILARITY('001CHESTNUTAVENUE','1CHESTNUTAVENUE')
------------------------------------------------------------------------
                                                                      96

---

显然，您可能需要做一些工作来确定各个字段的权重——例如，您可能需要在城市上设置一个更高的匹配阈值，这可能比地址的第二行相对标准化

第一阶段-定义“可能的匹配”，即不进行手动保存，并严格定义给定记录是否可能匹配。第二阶段-实现这个布尔函数（现在应该很容易了）。感谢你的建议，这里是到目前为止我能想到的：我至少可以根据一些“常量”值（如城市、州、Zipcode）过滤掉记录。这可能会帮助我缩小范围。然后，对于地址行1和地址行2中的字符串标记，我可以连接并查找是否至少1/2的标记匹配，即连接“001 Chestnut Avenue”和“Apt 100”，并与传入记录“1 Chestnut Avenue Apt 100”进行比较，并查找5个字符串标记中的第3个匹配。这使整个记录成为可能的匹配。尽管我有点担心性能，但公司从销售数据清理软件到进行这种复杂的匹配，都过着非常好的生活。我认为你是非常雄心勃勃的，想单独用regex来解决这个问题。@APC：嗯，这不是我工作的公司目前要研究的：-）。。然而，你能为这些软件提供一些参考吗？第一阶段-定义“可能的匹配”，到没有手工操作的程度，并强烈定义给定记录是否可能匹配。第二阶段-实现这个布尔函数（现在应该很容易了）。感谢你的建议，这里是到目前为止我能想到的：我至少可以根据一些“常量”值（如城市、州、Zipcode）过滤掉记录。这可能会帮助我缩小范围。然后，对于地址行1和地址行2中的字符串标记，我可以连接并查找是否至少1/2的标记匹配，即连接“001 Chestnut Avenue”和“Apt 100”，并与传入记录“1 Chestnut Avenue Apt 100”进行比较，并查找5个字符串标记中的第3个匹配。这使整个记录成为可能的匹配。尽管我有点担心性能，但公司从销售数据清理软件到进行这种复杂的匹配，都过着非常好的生活。我认为你是非常雄心勃勃的，想单独用regex来解决这个问题。@APC：嗯，这不是我工作的公司目前要研究的：-）。。但是，你能为这些软件提供一些参考吗？谢谢Justin。你又救了我！：-）谢谢你，贾斯汀。你又救了我！：-）