数据匹配算法

Question

我目前正在从事一个需要实施数据匹配算法的项目。外部系统传入它了解的有关客户的所有数据，而我设计的系统必须返回匹配的客户。这样，外部系统便知道了客户的正确ID，并获得了附加数据或可以更新其特定客户的数据。

传入以下字段：

• 名称
• 名称2
• 街
• 市
• 邮政编码
• 银行帐号
• 银行名称
• 银行代码
• 电子邮件
• 电话
• 传真
• 网页

数据可以是高质量的，并且可以使用很多信息，但是通常数据很糟糕，只有名称和地址可用并且可能有拼写。

我正在.Net中实施该项目。我目前正在做的事情如下：

public bool IsMatch(Customer customer)
{
    // CanIdentify just checks if the info is provided and has a specific length (e.g. > 1)
    if (CanIdentifyByStreet() && CanIdentifyByBankAccountNumber())
    {
        // some parsing of strings done before (substring, etc.)
        if(Street == customer.Street && AccountNumber == customer.BankAccountNumber) return true;
    }
    if (CanIdentifyByStreet() && CanIdentifyByZipCode() &&CanIdentifyByName())
    {
        ...
    }
}

我对上述方法不太满意。这是因为我必须为所有合理的情况（组合）编写if语句，这样我才不会错过匹配实体的任何机会。

所以我想也许我可以创造某种匹配分数。因此，对于每个匹配的标准，将添加一个分数。喜欢：

public bool IsMatch(Customer customer)
{
    int matchingScore = 0;
    if (CanIdentifyByStreet())
    {
        if(....)
            matchingScore += 10;
    }
    if (CanIdentifyByName())
    {
        if(....)
            matchingScore += 10;
    }
    if (CanIdentifyBankAccountNumber())
    {
        if(....)
            matchingScore += 10;
    }

    if(matchingScore > iDontKnow)
        return true;
}

这将允许我考虑所有匹配数据，并且根据某些权重，我将增加匹配分数。如果分数足够高，那就是一场比赛。

知道我的问题是：是否存在针对此类问题的最佳实践，例如匹配算法模式等？非常感谢！

Answer 1

要获得灵感，请查看Levenshtein 距离算法。这将为您提供一个合理的机制来衡量您的比较。

我还要补充一点，根据我的经验，您永远无法绝对确定地将两个任意数据片段匹配到同一实体中。您需要向用户提供看似合理的匹配项，然后用户可以验证 1920 E. Pine 上的 John Smith 是否与 192 East Pine Road 上的 Jon Smith 是同一个人。