我有兴趣按名字、姓氏和出生年份链接 2 个数据集的记录。这对 EM 算法是否可行，如果可以，如何实现？

以 1st 中的以下记录为例：Carl McCarthy,1967。我将搜索第二个数据集中的所有记录，并在第一个名字和 Carl 之间分配一个 jaro-winkler 距离，在姓氏和 McCarthy 之间分配一个 jaro-winkler 距离。这些距离是概率性的，出生年份之间的距离也是如此。我们将这 3 个概率（乘？平均？）合并为 1。

现在是决策规则部分。让我们将所有概率从高到低排列。首先，我们想要 P(first hit is match) >= threshold。其次，如果 P(second hit is match) 存在，我们还希望 P(first hit is match) / P(second hit is match) >= threshold。第三，我们希望第二个数据集中的第一个匹配匹配第一个数据集中不超过 1 人的 Carl McCarthy,1967。

如何确定这些阈值？

我更喜欢 Stata 和/或 Perl 中的方法。

参见，例如：

http://www.ncbi.nlm.nih.gov/pmc/articles/PMC1479910/pdf/amia2003_0259.pdf

（尽管如此，我仍然没有完全理解为什么或如何，输入和输出是什么，以及假设和它们的限制性）。