如何在容忍拼写错误的同时有效地找到某些文本中提到的所有人？

Question

我有一个数百万名人的名字列表（来自 Wikidata），我需要创建一个系统来有效地找到在相当短的文本中提到的所有人：它可以只是一个词（例如，“爱因斯坦” ) 到几页文本（例如维基百科页面）。

我需要系统能够容忍拼写错误（例如 Mikael Jackson 而不是 Michael Jackson）和短格式（例如 M. Jackson）。如果有歧义，它应该返回所有可能的人（例如，“George Bush”应该返回父亲和儿子，可能还有其他同音词）。

这个related question 有一些有趣的答案，包括使用Aho-Corasick algorithm。有多种语言的库，包括in Python。但是，它似乎不支持模糊搜索（即容忍拼写错误）。

我想我可以扩展词汇表以包含每个名称的所有可能拼写，但这会使词汇表太大，所以我宁愿尽可能避免这种情况（此外，我可能希望将此解决方案扩展到更多只有一个人）。

我快速浏览了Lucene/ElasticSearch，但它似乎不支持这个用例（除非我错过了）。

有什么想法吗？

Answer 1

Elasticsearch 支持模糊匹配：请参阅文档 here。