自然语言处理NLP：姓名相似度

大家好，自然语言处理会涉及到一致性验证特征。英文的姓名相似度包含用户自己填写的姓名、身份证上ocr识别的姓名、征信报告中用户姓名，可以作为模型特征使用、也可以作为业务的个人信息验证规则使用，本文简单介绍其计算逻辑。

1.原理

编辑距离，又叫Levenshtein距离。对于两个字符串文本序列，根据 Levenshtein 计算将一个序列更改为另一个序列所需的最小插入、删除和替换次数，以及插入、删除和替换的自定义成本。

如 "lewenstein"、"levenshtein"的编辑距离为2，"lewenstein" 需要通过一次替换（第三位字符"w"替换为"v"）、一次插入（"s"字符后插入"t"），即可变为"levenshtein"。

编辑距离越小，一个字符串变更为另一个字符串的变更次数越小，两个字符串的相似度也就越高。可以看出编辑距离非常适合用于计算英文的姓名相似度，在客户自己填写个人信息时，可能会有部分缩写，如"Travor Noah"缩写为"Noah, T."，也可能将"levenshtein"错误拼写为"lewenstein"（ocr识别出姓名的此类问题更是常见），而编辑距离能够很好地减缓这种问题所造成的姓名不一致。

2.工具包

编辑距离的计算可以直接调用levenshtein包，不仅实现了编辑距离及归一化的相似度，还实现了hamming距离和jaro距离计算。

pip install levensht