MarkLogic-检测相似/重复的名称

我有许多不同来源的文件。他们中的许多人引用一个公司名称，但可能存储的信息略有不同。名称是文档中的一个字段

我希望能够检测到相同名称的变体，例如：

• 阿贾克斯公司
• 阿贾克斯公司
• 阿贾克斯公司
• 阿贾克斯公司
• 阿贾克斯公司（前身为阿贾克斯无限公司）
• 等

---

MarkLogic是否有任何工具可以查询具有上述“类似”名称的文档？我不确定是否有一个更专业的术语，我应该搜索。最好是针对节点客户端API或服务器端js。

您可以尝试或组合以下几种选项：

• 使用同义词库扩展将对其中一个术语的搜索扩展到任何其他术语。您可以在使用

  owl:sameAs

  triples的地方使用语义，也可以使用MarkLogic
• 通过在上述同义词库或本体中反向查找，在摄取时规范化数据。您可以潜在地标记已找到的匹配项，并将规范化名称添加为对规范化术语进行搜索的属性。您将以相同的方式规范化搜索词
• 在ingest时在名称中的每个标记上使用，并在搜索词上使用这些标记而不是真实名称进行搜索

在本例中，搜索词扩展听起来最直接，尤其是因为您所谈论的只是“Company”和“Incorporated”等词的拼写差异

---

嗯

我认为我需要进行规范化（出于其他一些原因）。你知道我在哪里可以找到这样做的代码样本吗？也许对你有用。您可以使用它在文档中查找和迭代匹配项，并用它标记和/或替换找到的文本。你可以用它做一些非常疯狂的事情，就像这里描述的：