将个人姓名分成几部分的算法

Question

我正在寻找有关分隔名称的参考资料：“约翰·A.Doe”部分，第一个=John，中间=A.，最后一个=Doe。在墨西哥，我们有父亲、母亲、名字和第二名，并且可以用不同的排列来书写，所以问题相当复杂。

由于它取决于数据，因此我们正在使用匹配软件来计算每个单词的分数，以便我们可以做出决定（它基于一个大数据库）。输入数据不干净，它是从一些政府网页导入的，并且经过人工过滤，因此它可能包含必须识别的垃圾数据。有什么建议么？

[编辑]例子：

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

name: María de la Luz Sánchez Martínez
paternal:Sánchez
maternal: Martínez
first given: María de la Luz

name: Paloma Viridiana Alin Arias Medina
paternal: Arias
maternal: Medina
first given: Paloma
second given: Viridiana Alin

正如我所说，每个单词的含义取决于分数。人们无法知道这一点

Viridiana

和

Alin

如果不是来自乐谱，则给出名称。

我们有一个非常强大的数据库（大约 8000 万条记录），因此我们可以使用评分系统。我正在设计一些使用该算法的算法，但正在寻找其他参考资料。

Answer 1

不幸的是 - 并且我自己做了相当多的这项工作 - 您的理想算法将非常特定于数据，并且您需要根据您的特定情况来解决这个问题。

在开发该算法的总时间和精力中，我想说时间将大致划分如下：

1. 10% 用于一般字符串操作
2. 数据的特定性质为30％（墨西哥名称格式，数据输入怪癖）
3. 60％满足数据质量 /质量不足

我相信这对于一般的字符串操作来说是相当慷慨的。当然，这取决于您是否需要所有记录的高质量结果，还是仅需要“干净”的记录等，如果您能够忽略“困难”的记录，那么事情就会变得简单得多。

一些一般提示

• 如果不需要，请删除非字母数字/空格字符
• 按空格分割
• 使用连字符/标点符号来识别姓氏或姓氏
• 缩写（即 一般来说 单个字母）不是姓氏；IE。他们必须是第一 /中间
• 确定您以编程方式识别每个名称的置信度（并彻底测试）。您可能会发现某些数据子集包含类似的模式，需要单独处理（它们可能来自不同的来源等）

Answer 2

您可能需要添加一些自然语言或机器学习来检查。识别作者姓名的问题（例如在科学论文中）是很困难的，因为它们可以用不同的顺序，缩写的程度，精算等来报告。如果你的数据库很脏，那么无论你做什么，都会以模棱两可的方式结束。