使用案例：用戶1個上傳100名公司的名稱（如微軟，銀行塞拉利昂）如何規範化大型的用戶生成的公司名稱數據集？
用戶2個上傳100名公司的名稱（如缺口，UserVoice的，微軟公司）
我想用戶1的概念的微軟和用戶2的微軟的概念，以映射到一個集中維護的實體和微軟的唯一索引。
如果有人上傳不在中央存儲庫中的名稱，我想我希望按原樣輸入名稱。但是，如果第一個條目拼寫錯誤（例如Vergin Mobile而不是Virgin Mobile？）會發生什麼情況？我們如何才能最好地糾正它，並將新的上傳與相同的索引關聯起來？
從技術上講，中央資源庫應該是一個單獨的數據庫嗎？即使用戶生成的信息也應該放在一個獨立的數據庫中，也不應該出現在針對它的商業交易中？
從問題的一個大定義開始，希望能夠將它與您的輸入進行比較，謝謝。
company table
id
name
company_synonym table
company_id
name
此模式結構可解決您列出的問題。
您是否看到當您嘗試在此網站上輸入新問題時會發生什麼？所有以前的問題可能都是一樣的？
可能即使這樣也不夠。這裏不夠。
FWIW，這與database normalization無關。這是一個數據清理任務。
在一般情況下，數據清理不能完全自動化。很多人都在嘗試，但是不可能檢測到輸入數據可能存在錯誤的所有方式。您可以使用以下技術自動執行某些百分比的案例：
SOUNDEX與已存在於數據庫中的公司名稱的SOUNDEX進行比較。這對於識別可能的匹配很有用，但它也可能導致誤報。所以你需要一個人來審查它們。最終，您需要設計自己的軟件，以便管理員輕鬆地「合併」條目（並更新其他數據庫表中的所有引用），因爲它們被發現是相互重複的。有沒有優雅的方式來使用級聯外鍵來實現這一點，你只需要編寫一堆UPDATE語句。
鏈接在某種程度上。但是，他們不會做批量上傳... 基本上你想設置某種差異計算器，這將導致對某些潛在匹配的操作。
像 「公司」滴即，「該」等是一個規則，然後有圖案匹配或接近匹配被拼錯的單詞。
從工作流的角度來看，批量上傳並不是一件容易的事情。您將需要一個已被批准的已知數據字典，然後每個上傳/添加都必須經過審覈。最終增加的數量將會減少。
我同意這不是數據庫問題 - 這是一個工作流程問題。
編輯
我會批准的列表，然後一些規則，傳播潛在的「好」的名字到允許列表中。你如何實現這一點，作爲讀者的練習...
有一個稱爲主數據管理系統的整體類型嘗試做這個不同的領域，如合作伙伴，地址，產品。通常是大型的，功能全面的系統，沒有什麼能夠以專門的方式正確完成。這些東西聽起來很容易，但很快就會變得非常困難。
，對不起，我不是太愉快的這裏，但是這可能很快變成一場噩夢..類似於試圖解決一個NP完全問題...
這聽起來像所有你真的想在這裏是一個拼寫檢查器。 – 2009-01-09 19:37:53
好吧，除了拼寫檢查以外，還有一些考慮因素。例如，有些人可能會寫「空白」而不是「空白」或什麼。一個想法是查看以前的回覆，並查看任何類似的回覆，如果用戶輸入「Vergin Mobile」，請問「您的意思是Virgin Mobile」。 – 2009-01-09 19:39:55