查找重复的书籍

Question

我有一些书名列表及其作者（没有 ISBN 编号）。我想维护一个包含唯一书籍条目的列表，并删除每本书的重复条目。

我面临的问题是不同的列表可能遵循不同的约定来存储书籍的条目。例如 - 一个列表可能以last name first name 约定存储作者姓名，在另一个列表中，书名条目本身包含一些附加信息，例如系列名称以及序列号。

是否有任何标准算法来处理此类问题？我不想重新发明轮子。现在我正在使用 php 来编写解决方案。作为初学者，我尝试过levenshtein, soundex, metaphone, similar_text，但它们对我来说都没有希望。

示例：以Inheritance Cycle 为例，该系列包含四本书。现在系列第二本书的入口可以是Eldest、Eldest: The Inheritance Cycle (Book 2)、Eldest (Inheritance)、Eldest (Inheritance Cycle)、Inheritance 002: Eldest。

Answer 1

这听起来像是一个搜索问题，只是域更受限制。我可能会使用现有的搜索技术（可能使用Lucene 或Solar）并遍历列表，首先搜索匹配项，然后如果找不到足够接近的匹配项，则添加“文档”（您拥有的一本书的信息）到索引。

这不是一个完美的答案，但它会为您提供各种匹配的分数，因此它会为您提供一些可调整的参数来使用。如果这不仅仅是一个需要解决的一次性问题，这是一个特别诱人的解决方案，因为“算法”可以在需要时学习和调整自身。