Mysql Jaro-winkler函数：为什么相同的分数匹配非常相似而非常不同的单词？

我使用jaro winkler模糊匹配来匹配名称

我试图确定相似性分数的截止范围。如果名称差异太大，我想将其排除在外，以便手动查看

虽然低于.4的名称似乎完全不同，但.4范围似乎相当相似

但后来我遇到了奇怪的例外，在这个范围内的一些名称是完全不同的，而一些名称只有一个或两个字母（见下面的例子）

有人能解释一下，在相同的匹配分数范围内，匹配的差异在哪里

---

Jaro-Winkler距离公式偏向于具有共同开头的字符串。例如，瓦伦蒂娜和瓦伦蒂里亚

它还有一些不那么直观的“规则”（参见）

您可能应该首先确定所期望的差异类型，然后寻找合适的距离公式。例如，在书写时，“angleworm”和“angelworm”很可能是错误的，因此两个字符串之间的距离应该很小。而“there”和“three”不匹配的可能性较小，“ether”甚至更大。对于较长的字谜，Jaro距离可能完全相同，甚至Winkler校正也可能不起作用

正如你在（我的）中读到的

除了对空字符串和完全相同的字符串进行优化之外，您可以在这里看到我对第一个字符的权重更大。这是因为我的数据最初很重

为了补偿频繁使用的中间首字母我将Jaro Winkler距离计算为分数的80%，而剩余的20%完全基于第一个字符匹配此处的p值由大量实验和拔毛的结果确定。在进行此扩展之前，首字母经常会不正确对齐

---

我发现Levenshtein距离对于名称的特定匹配问题更有用

   Estrella     ANNELISE    0.42 
   Arienna      IREANNA     0.43 
   Tayvia       I TAYVIA    0.43
   Amanda       IZABEL      0.44
   Hunter       JOSHUA      0.44
   Ryder        CHARLES     0.45
   Luis         ELIZABETH   0.45 
   Sebastian    JOSE        0.45 
   Christopher  CHISTOPHE   0.46 
   Genayunique  GENAY-UNI   0.46 
   Andreeaonn   ADREEAONN   0.46
   Chistopher   CHRISTOPH   0.46
   Dazharicon   DAZHARION   0.46
   Jennavecia   JENNACVEC   0.46
   Valentiria   VALENTINA   0.46
   Abel         SAMMUEL     0.46
   Dezarea MarieDEZAREA     0.47
   Alexander    ALEXZANDE   0.47