您可以在此处应用更简单的策略，这可能会导致比神经网络更好的结果。幸运的是，我们拥有大多数国家的人口普查数据。例如，您可以使用美国人口普查数据。

我们可以使用它们的搜索功能在数组中找到两个名称的共性。那么我们可以说排名较高的名字是名字。例如，我们可以看到对于 name ['John', 'Smith']，John 最近一年的排名为 27，而 Smith 没有列出。所以我们可以假设约翰是名字，史密斯是姓氏。

这种技术是一种非常古老的预测手段，我们已经通过民意调查获得了数据的分布。所以我们可以直接使用它，我们不需要训练模型来学习下划线分布（这对于像名字这样有很多噪音的东西来说是非常困难的）。

如果您有每个人的额外数据，例如出生日期或性别，那么您将通过这些先验信息获得更好的结果。这类似于您在应用朴素贝叶斯算法时将实现的结果，但是在这种情况下，分布已经确定了。