我有一个包含约 3000 万家公司的 SQL（MS SQL Server）数据库。例如：
+-----------------------+----------------+-----------+
| company_name | country | ID_number |
+-----------------------+----------------+-----------+
| Mercedes Benz Limited | Germany | 12345 |
| Apple Corporation | United States | 67899 |
| Aunt Mary Butcher | United Kingdom | 56789 |
+-----------------------+----------------+-----------+
然后，我有另一个公司列表，我想根据大致的公司名称匹配来分配 ID_number。
+--------------------+----------------+
| company | country |
+--------------------+----------------+
| Mercedes Benz Ltd. | Germany |
| Apple Corp. | United States |
| Butcher Aunt Mary | United Kingdom |
| Volkswagen Gmbh | Germany |
+--------------------+----------------+
我的目标显然是限制我必须进行的比较次数。所以我通过以下方式处理它：
- 规范化名称 - 删除 Ltd. Corp. 等。
- 按国家过滤
- 按名称长度过滤（我假设长度非常不同的字符串不能非常相似）
- 按前 n 个字母过滤
- 计算与 Levenshtein 或 Jaccard 对所有过滤公司的相似度
- 选择最佳匹配
因此，对于Mercedes Benz我来说，我只会选择以 ME 开头且长度为Mercedes Benz+-7 个字母的德国公司。但是，Aunt Mary Butcher这不起作用，因为Butcher Aunt Mary它不是以 AU 开头的。
除了这种非常幼稚的方法之外，它也非常缓慢。我可以在上面放置更多硬件，但我认为该方法本身并不有效。你通常如何解决这样的问题？