如何在發現拼寫錯誤的同時高效地查找某些文字中提及的所有人？

Question

我有一個名單上有數百萬名着名人物（來自維基數據），我需要創建一個系統，以相當短的文本有效地找到所有人提到的：它可以只是一個詞（例如「愛因斯坦」）到幾頁文字（例如維基百科頁面）。我需要系統對拼寫錯誤（比如邁克爾傑克遜而不是邁克爾傑克遜）和短格式（例如M.傑克遜）相當寬容。如果含糊不清，它應該返回所有可能的人（例如，「喬治布什」應該返回父親和兒子，以及可能的其他同名詞）。

這個related question有一些有趣的答案，包括使用Aho-Corasick algorithm。有許多語言的圖書館，包括in Python。但是，它似乎不支持模糊搜索（即容忍拼寫錯誤）。

我想我可以擴展詞彙表以包含每個名稱的所有可能拼寫，但這會使詞彙太大，所以我寧願儘量避免（如果可能的話）（此外，我可能希望將此解決方案擴展到更多而不僅僅是一個人）。

我快速瀏覽了Lucene/ElasticSearch，但它似乎不支持此用例（除非我錯過了它）。

任何想法？

Answer 1

Elasticsearch支持模糊匹配：請參閱文檔here。