Waarom is dit belangrijk?
Losse registraties uit verschillende bestanden worden aan elkaar gekoppeld wanneer namen of adressen net iets anders zijn geschreven. In de zorg helpt dat om dubbele patiëntendossiers te herkennen en gegevens van dezelfde persoon samen te brengen. Werknemers en burgers krijgen daardoor een vollediger beeld van bestaande medische gegevens, maar een te ruime vergelijking kan twee verschillende personen ten onrechte aan elkaar koppelen.
Zo werkt het in de praktijk
Apache Lucene past benaderend zoeken toe in zoeksoftware. De Damerau-Levenshtein-afstand meet daarbij ook verwisselde letters. Het portaal NEN Connect doet dit in normdocumenten: een tilde achter een woord levert spellingvarianten op.
Onderzoekers bekijken hoe benaderend zoeken snel blijft in lange teksten zonder index. Navarro beschreef zulke online methoden. Het Unix-programma agrep gebruikt het bitap-algoritme voor korte zoekpatronen.
Lucene kan de Levenshtein-afstand gebruiken, die invoegen, wissen en vervangen telt. Bij grotere afwijkingen wijst de documentatie op n-gram-indexen en de SpellChecker. Voor grote bestanden zetten onderzoekers similarity joins in MapReduce, een werkwijze die rekenwerk over computers verdeelt.




