Language agnostic 人名比较：完成此任务的方法

我不是自然语言编程专业的学生，但我知道这不是一个微不足道的strcmp（n1，n2）

以下是我到目前为止学到的：

• 比较人名无法100%解决
• 有一些方法可以达到一定程度的准确性
• 答案将是特定于地区的，没关系

我不是在找拼写的替代品！假设输入的拼写是正确的

例如，以下所有姓名都可以指同一个人：

• 贝里查卡拉
• 伯纳德·查卡拉
• 贝里·查卡拉
• 查卡拉，贝瑞

我正试图：

构建（或复制）一个算法，该算法对两个输入名称之间的关系进行分级

查找索引方法（用于数据库中的名称、哈希表等）

注: 我的任务不是在文本中查找名称，而是比较两个名称。e、 g

name_compare( "James Brown", "Brown, James", "en-US" ) ---> 99.0%

---

有时用于比较相似的名称。它不处理名字/姓氏排序，但您可以让代码查找逗号来解决这个问题。

我使用Tanimoto系数作为一个快速（但不是超级）解决方案，在Python中：

"""
Formula:
  Na = number of set A elements
  Nb = number of set B elements
  Nc = number of common items

  T = Nc / (Na + Nb - Nc)
"""
def tanimoto(a, b):
    c = [v for v in a if v in b]
    return float(len(c)) / (len(a)+len(b)-len(c))

def name_compare(name1, name2):
    return tanimoto(name1, name2)


>>> name_compare("James Brown", "Brown, James")
0.91666666666666663
>>> name_compare("Berry Tsakala", "Bernard Tsakala")
0.75
>>> 

---

编辑：

当然，分析姓名顺序和中间姓名/首字母的存在并不重要，因此看起来真正的挑战是了解常用名称的替代方案。我怀疑不使用某种昵称查找表就可以做到这一点。这是一个很好的起点。它没有把伯纳德和贝瑞联系起来，但它可能会抓住最常见的病例。也许可以在其他地方找到更详尽的列表，但我肯定认为特定于区域设置的查找表是一种可行的方法。

我们最近一直在不间断地进行这类工作，我们采取的方法是建立一个查找表或别名列表。如果你能对拼写错误/听错/非英语的名字打折扣，那么困难的部分就被去掉了。在你的例子中，我们假设第一个单词和最后一个单词是名字和姓氏。介于两者之间的任何内容都将被丢弃（中间名、首字母）。贝瑞和伯纳德将在别名列表中，当Tsakala与贝瑞不匹配时，我们将颠倒词序，然后获得匹配

您需要了解的一件事是您正在处理的数据库/人员列表。在英语国家，中间名的记录不一致。因此，您不能基于中间名或中间首字母进行匹配或拒绝匹配。Soundex不会帮助您使用常见的别名，如“迪克”和“理查德”、“贝瑞”和“伯纳德”，可能还有“史蒂夫”和“斯蒂芬”。在一些社区，人们住在同一个地址，并且有2到3代人用同一个名字住在同一地址是很常见的。你能把他们分开的唯一方法是按出生日期。出生日期可以记录，也可以不记录。如果你有影响力，那么你可能应该强制记录出生日期。很多“人脉数据库”要么不记录出生日期，要么出于隐私原因不愿透露

实际上，人名匹配并没有那么复杂。这完全取决于所提供数据的质量。实际情况是，许多记录仍然不匹配——甚至一个人看着它们也无法解决不匹配的问题。人们可能会注意到别名列表中没有记录姓名别名，或者可以在互联网上查找此人的详细信息，但你不能指望你的程序能做到这一点

---

银行、信用评级机构和政府都有很多关于我们的详细信息。以前的地址，出生日期等，这有助于他们把名字联系起来。但对于我们普通的程序员来说，并没有什么灵丹妙药。

我对Tanimoto使用utf-8有过真正的问题

---

对使用变音符号的语言有效的是

difflib.SequenceMatcher（）

是的@Jacob soundex是正确的，但是@berry必须在他使用的语言中找到一些好的实现。这很好，谷歌找到了许多soundex库和在线转换器。然而，伯纳德=Barry在Soundex里回答错了。Soundex克服了拼写错误，而不是顺序不同。我写得很明确——拼写总是正确的。对不起，我想我没有抓住你文章的重点。我现在明白了，你不是在试图纠正别人对一个名字的错误表述，而是在纠正一个名字的表述。塔尼莫托非常乐意接受字符串，不需要列出它们。非常有趣！谢谢它实际上给了我一个有意义的数值结果。（我正在为我们所有的平台编译一个……找不到二进制实现）Berry，我很高兴我能帮助你：）不错，尽管中间名在区分常用名方面起着非常重要的作用。以西班牙语名字为例：添加一个字母或中间名会大大缩小与备选名字列表的匹配范围。我确实说过，如果你不考虑非英语名字的话。如果你在一个中间名很重要的文化环境中工作，那么你显然会改变逻辑。第二个名字实际上将成为第一个名字的一部分。在这种情况下，我会尝试在名字、第二个名字和姓氏上进行匹配，然后在没有第二个名字的情况下再试一次，也许会按照英语对结果进行排序。建议忽略中间名/中间首字母。中间名的记录不一致，中间首字母在记录时容易听错。我采用这种方法匹配来自不同数据库的名称。我们最终得到了大约2万人的记录。