尽管我看到了一些关于数据匿名化的好问题，但我想知道是否有针对这个更具体的变体的答案。
我正在寻找一种工具（或设计一个工具）来匿名来自特定国家的人名：特别是非结构化文本中的名字。我见过的许多工具都考虑了数据匿名化的更广泛维度；同样关注出生日期、地址等。
一个必要的方面是它需要具有近乎绝对的召回率。据我所知，主要的缺陷是小的变体（“Tommy”而不是“Thomas”，“Ben”而不是“Benjamin”等）和错别字。这两个因素阻止了基于名称数据库（基于人口普查等）的简单正则表达式
姓名匿名软件
数据挖掘
文本挖掘
匿名化
2021-10-14 19:43:33
2个回答
你在这里有几个问题。首先是清理数据。这是一个与匿名化完全不同的问题，如果您仍然遇到问题，则属于另一个问题。
第二个是您的匿名化。在您获得某种令您满意的标识符之后（听起来您使用的是人们的真实姓名），尝试对他们的姓名进行散列以生成新的 id。此 id 很有用，因为您始终能够获取原始名称并找出它是什么 id，但无法仅从散列 id 派生真实姓名（前提是您的散列算法很好）。
进一步阅读：
我不认为你真的需要一些特殊的软件，而是使用现有的工具，比如加密算法。
为什么不使用任何基于密钥的算法加密名称并安全地存储密钥？
如果您不需要能够恢复名称，而只是为了识别小词差异级别的变化，那么您可以简单地使用散列而不是加密。
我不确定您要在什么环境下执行它，但是任何语言（例如RSQL/NoSQL 数据库）都可以轻松地以编程方式执行此操作。
其它你可能感兴趣的问题