Я пытаюсь определить почти повторяющиеся записи имен в базе данных. Я новичок в базах данных, однако я знаком с R. Я могу получить кластеры почти дубликатов, используя нечеткое сопоставление и soundex в R. Однако есть несколько имен, которые являются синонимами друг друга. Я хотел бы сгруппировать имена на основе этого критерия вместе с приведенными выше.
Я хочу сделать так, как предложено в Методы поиска почти повторяющихся записей но с синонимами. Насколько я понимаю, существует своего рода база данных синонимов для английских слов под названием WordNet с наборами синонимов, называемыми синсетами. Но записи в названиях полей бывают разных форматов и языков.
Например, если вы знаете, что «R версии 3.0.3» и «Теплый щенок» являются синонимами. Я хочу иметь возможность использовать такие пользовательские синсеты syn1 ‹- c("R version 3.0.3", "Warm Puppy") для кластеризации рядом с дубликатами.
В будущем я также хотел бы разделить омонимы на кластеры на основе записей в других полях (столбцах) записи.
Есть ли способ реализовать это в R?
