Jaro-winkler函数：为什么相同的分数匹配非常相似和非常不同的单词？

Question

我正试图确定相似度得分的截止范围。如果名称差异太大，我想排除它们以进行手动检查。

虽然低于。4的名称似乎完全不同，但。4的范围似乎相当相似。

但是后来我遇到了一些奇怪的异常，在这个范围内的一些名称完全不同，而一些名称只相差一两个字母（见下面的示例）。

   Estrella     ANNELISE    0.42 
   Arienna      IREANNA     0.43 
   Tayvia       I TAYVIA    0.43
   Amanda       IZABEL      0.44
   Hunter       JOSHUA      0.44
   Ryder        CHARLES     0.45
   Luis         ELIZABETH   0.45 
   Sebastian    JOSE        0.45 
   Christopher  CHISTOPHE   0.46 
   Genayunique  GENAY-UNI   0.46 
   Andreeaonn   ADREEAONN   0.46
   Chistopher   CHRISTOPH   0.46
   Dazharicon   DAZHARION   0.46
   Jennavecia   JENNACVEC   0.46
   Valentiria   VALENTINA   0.46
   Abel         SAMMUEL     0.46
   Dezarea MarieDEZAREA     0.47
   Alexander    ALEXZANDE   0.47

Answer 1

Jaro-Winkler距离公式偏向于具有公共开头的字符串。比如瓦伦蒂娜和瓦伦蒂丽亚。

它也有一些不那么直观的“规则”（见维基百科）。

你可能应该首先确定你期望的不同程度，然后寻找合适的距离公式。例如，在书写中，“Angleworm”和“Angelworm”很可能是一个错误，所以两个字符串之间的距离应该较小。而不匹配“there”和“three”的可能性较小，而“ether”的可能性更大。使用较长的字谜，Jaro距离可能完全相同，甚至Winkler修正也可能不会起作用。