String 人名拆分算法
我正在寻找关于将一个名字分成几个部分的参考资料：“John a.Doe”，first=John，middle=a，last=Doe。在墨西哥，我们有父名、母名、第一名和第二名，而且可以用不同的排列方式书写，因此问题相当复杂 由于这取决于数据，我们正在使用匹配软件计算每个单词的分数，以便我们做出决定（它基于一个大型数据库）。输入的数据不是干净的，它是从一些政府网页导入的，并且经过人工过滤，因此可能也有需要识别的垃圾。有什么建议吗 [编辑] 示例： name: Javier Abdul Córdoba Gándara common permutations (or as it may appear in gvt data referring to same person): Córdoba Gándara Javier Abdul Javier A. Córdoba Gándara Javier Abdul Córdoba G. paternal=Córdoba maternal=Gándara first given:Javier second given:Abdul 姓名： 贾维尔·阿卜杜勒·科尔多瓦·甘达拉 常见排列（或gvt数据中可能出现的指同一人的排列）： 科尔多瓦·甘达拉·贾维尔·阿卜杜勒 贾维尔·科尔多瓦·甘达拉 贾维尔·阿卜杜勒·科尔多瓦G。 父系=科尔多瓦 母亲=甘达拉 第一名：哈维尔 第二名：阿卜杜勒 姓名：María de la Luz Sánchez Martínez 父亲：桑切斯 母亲：马丁内斯 第一个给出：María de la Luz 名称：绿盲蝽 父亲：阿里亚斯 母亲：麦地那 第一批：帕洛马 第二次给药：绿僵菌 正如我所说，每个单词的意思取决于分数。如果不是从分数上，你无法知道Viridiana和Alin是被命名的 ViridianaString 人名拆分算法,string,pattern-recognition,String,Pattern Recognition,我正在寻找关于将一个名字分成几个部分的参考资料：“John a.Doe”，first=John，middle=a，last=Doe。在墨西哥，我们有父名、母名、第一名和第二名，而且可以用不同的排列方式书写，因此问题相当复杂 由于这取决于数据，我们正在使用匹配软件计算每个单词的分数，以便我们做出决定（它基于一个大型数据库）。输入的数据不是干净的，它是从一些政府网页导入的，并且经过人工过滤，因此可能也有需要识别的垃圾。有什么建议吗 [编辑] 示例： name: Javier Abdul Cór
我们有一个非常强大的数据库（8000万条记录左右），所以我们可以使用评分系统。我正在设计一些使用该方法的算法，但正在寻找其他参考。您可能需要添加一些自然语言或机器学习来检查。识别作者姓名（如科学论文中的作者姓名）的问题很困难，因为它们可能会以不同的顺序、缩写程度、省略号等进行报告。如果数据库不干净，无论你做什么，最终都会产生歧义。你可能需要添加一些自然语言或机器学习来检查。识别作者姓名（例如，在科学论文中）的问题很困难，因为作者姓名可以以不同的顺序、缩写程度和，省略等。如果您的数据库不干净，无论您做什么，您都会以模糊结束。不幸的是——我自己做了很多这方面的工作——您的理想算法将非常特定于数据，并且您需要针对您的特定情况解决这一问题 在开发此算法的总时间和精力中，我认为时间大致分为以下几部分：
- 如果不需要，请删除非字母数字/空白字符
- 在空间上拆分
- 使用连字符/标点符号标识姓氏或姓氏
- 姓名首字母（通常为单数） 字母）不是姓氏；i、 e.他们 必须是第一位/中间位
- 确定以编程方式标识每个名称的可信度（并对此进行彻底测试）。您可能会发现，有一些数据子集包含类似的模式，需要单独加以处理（它们可能来自不同的来源等）
- 如果不需要，请删除非字母数字/空白字符
- 在空间上拆分
- 使用连字符/标点符号标识姓氏或姓氏
- 姓名首字母（通常为单数） 字母）不是姓氏；i、 e.他们 必须是第一位/中间位
- 确定以编程方式标识每个名称的可信度（并对此进行彻底测试）。您可能会发现，有一些数据子集包含类似的模式，需要单独加以处理（它们可能来自不同的来源等）