Jaro-Winkler Distance
Die Jaro-Winkler-Distanz verfeinert die Jaro-Distanz, indem gemeinsame Präfixe gewichtet werden — besser geeignet für kurze Strings wie Personennamen, bei denen Präfixe zählen.
Zweck
Präfixempfindliche String-Ähnlichkeit für Fuzzy-Matching von Personennamen und Kurztext liefern.
Mechanismus
Die Jaro-Distanz berücksichtigt übereinstimmende Zeichen und Transpositionen. Jaro-Winkler = Jaro + l×p×(1−Jaro), wobei l die gemeinsame Präfixlänge (≤4) und p das Präfixgewicht (meist 0.1) ist. Der Wert reicht von 0 (völlig verschieden) bis 1 (identisch).
Anwendungsfälle
- Namens- und Adressabgleich
- Record Linkage
- Rechtschreibkorrektur
- Deduplizierung
Beispiele
- Eingabe
MARTHA vs MARHTAOutput0.961High similarity
Häufige Fehler
- Using Jaro-Winkler on long strings (prefix weighting loses significance)
- Use Levenshtein or cosine similarity for long strings
Verwandte Begriffe
Levenshtein Distance
Die Levenshtein-Distanz ist die minimale Anzahl an Einfügungen, Löschungen und Ersetzungen einzelner Zeichen, die nötig sind, um zwei Zeichenketten identisch zu machen. GLOSSAR
Hamming Distance
Die Hamming-Distanz ist die Anzahl der Positionen, an denen sich entsprechende Zeichen zweier gleich langer Zeichenketten unterscheiden; sie gilt nur für Vergleiche gleicher Länge. GLOSSAR
Fuzzy Search
Unscharfe Suche (Fuzzy Search) ist eine Suchtechnik, die Schreibvarianten toleriert und über Editierdistanz, N-Gramme oder phonetische Algorithmen ungefähre Treffer zuordnet. GLOSSAR