此實體解析方法可以識別相似但不相同的實例。例如不完整的資料、拼字變更和打字錯誤。
模糊屬性匹配有其自己的子技術，例如 Levenshtein 距離，它計算將一個單字更改為另一個單字所需的單字元編輯次數。在我們的案例中，從理查德 (Richard) 轉換為迪克 (Dick) 需要 5 個動作，這個閾值可以解釋為足夠接近。
模糊配對過程也會將原文與「Richar」或「Richars」Dickinson 配對。這種資料匹配類型非常適合對齊具有拼字差異的美國和英國資料集，例如“analog”和“analogue”相機。
然而，模糊匹配的問題在於它會產生假陰 台灣數據 性和假陽性。另一方面，這也適用於機率和基於機器學習的匹配，而這種錯誤的可能性高度依賴使用者設定的規則。
3. 機率匹配
這種更先進的屬性匹配方法使用統計數據來確定兩個記錄連接的機會。這裡，0% 表示不匹配，100% 表示完全匹配，即記錄是同卵雙胞胎。
回到我們的理查德和迪克的例子，機率方法會注意 Levenshtein 距離和匹配的電子郵件和位置，給出最終分數，即 95%。當然，你考慮的因素越多，機率匹配就越準確，除非你犯了加權錯誤。
4.基於機器學習的匹配
這種資料匹配技術依賴您教導演算法來識別連接的實體。通常，它涉及標記機器可以從中學習的匹配和不匹配的對。匹配演算法尋找的模式的複雜性遠遠超過其他三種方法，使其能夠適應新數據並及時提高準確性。
在這個階段，很難說演算法如何發現理查德和迪克實際上是同一個人，但事實確實如此。哎呀，它甚至將他與他的前妻匹配起來。
5.混合匹配
顧名思義，該技術吸收了其他四種技術的優點。可以順序或並行應用不同的方法來最大限度地找到所有匹配的機會。當然，這並不意味著你必須使用所有這四種方法——一個好的組合是運行機器，然後使用模糊匹配進行檢查，以確保演算法不會錯過一些不太常見的實例。