来自非结构化文本的美国州决议
US state resolution from unstructured text
我有一个带有 "location" 字段的数据库，该字段包含字符串形式的不受约束的用户输入。我想将每个条目映射到美国州或 NULL。
例如：
'Southeastern Massachusetts' -> MA
'Brookhaven, NY' -> NY
'Manitowoc' -> WI
'Blue Springs, MO' -> MO
'A Damp & Cold Corner Of The World.' -> NULL
'Baltimore, Maryland' -> MD
'Indiana' -> IN
我可以容忍一些错误，但显然越少越好。解决此问题的最佳方法是什么？
您可以使用 Geonames，它提供了非常大的位置名称列表及其相关信息，而且是免费的。在最简单的情况下，字符串匹配（或近似字符串匹配）可能不会太难实现。
您可能会遇到的一个困难是名称不明确，即有多个指代对象（例如华盛顿，是州还是市）。如果存在多个指标，您可以检查它们的连贯性。否则，您可以检查输入的其他单词，但这可能有风险。
IMO，这非常接近实体链接，考虑到已链接的实体，后验搜索到最接近的状态。
为了后代：我只是向它扔了一堆正则表达式，它起作用了 'pretty alright'。
我有一个带有 "location" 字段的数据库，该字段包含字符串形式的不受约束的用户输入。我想将每个条目映射到美国州或 NULL。
例如：
'Southeastern Massachusetts' -> MA
'Brookhaven, NY' -> NY
'Manitowoc' -> WI
'Blue Springs, MO' -> MO
'A Damp & Cold Corner Of The World.' -> NULL
'Baltimore, Maryland' -> MD
'Indiana' -> IN
我可以容忍一些错误，但显然越少越好。解决此问题的最佳方法是什么？
您可以使用 Geonames，它提供了非常大的位置名称列表及其相关信息，而且是免费的。在最简单的情况下，字符串匹配（或近似字符串匹配）可能不会太难实现。
您可能会遇到的一个困难是名称不明确，即有多个指代对象（例如华盛顿，是州还是市）。如果存在多个指标，您可以检查它们的连贯性。否则，您可以检查输入的其他单词，但这可能有风险。
IMO，这非常接近实体链接，考虑到已链接的实体，后验搜索到最接近的状态。
为了后代：我只是向它扔了一堆正则表达式，它起作用了 'pretty alright'。