Jaro-Winkler Distance
La distance de Jaro-Winkler est un raffinement de la distance de Jaro qui pondère les préfixes communs, la rendant plus adaptée à l'appariement de chaînes courtes comme les noms de personne où le préfixe compte.
Objectif
Fournir une similarité de chaînes sensible aux préfixes pour l'appariement flou de noms et de textes courts.
Mécanisme
La distance de Jaro tient compte du nombre de caractères correspondants et des transpositions. Jaro-Winkler = Jaro + l×p×(1−Jaro), où l est la longueur du préfixe commun (≤4) et p le poids du préfixe (généralement 0.1). La sortie va de 0 (totalement différent) à 1 (identique).
Cas d’usage
- Appariement de noms et adresses
- Liaison d'enregistrements
- Correction orthographique
- Déduplication
Exemples
- entrée
MARTHA vs MARHTAOutput0.961High similarity
Erreurs courantes
- Using Jaro-Winkler on long strings (prefix weighting loses significance)
- Use Levenshtein or cosine similarity for long strings
Termes associés
Levenshtein Distance
La distance de Levenshtein est le nombre minimal d'insertions, de suppressions et de substitutions d'un seul caractère nécessaires pour rendre deux chaînes identiques. GLOSSAIRE
Hamming Distance
La distance de Hamming est le nombre de positions où diffèrent les caractères correspondants entre deux chaînes de même longueur ; elle ne s'applique qu'aux comparaisons de même longueur. GLOSSAIRE
Fuzzy Search
La recherche approximative (fuzzy search) est une technique de recherche tolérante aux variantes orthographiques, qui fait correspondre des résultats approchés sur la base de la distance d'édition, des n-grammes ou d'algorithmes phonétiques. GLOSSAIRE