我的第一个想法是尝试将名称解析为功能描述（ LG公司，大小为42 Inch ，分辨率为1080p ，类型为LCD HDTV ）。然后，您可以将这些描述相互匹配以实现兼容性；省略产品编号是可以的，但是尺寸不同是很糟糕的。简单的通用属性兼容就足够了，或者您可能必须编写/学习有关允许不同属性有多少不同的规则，依此类推。

根据您拥有多少种不同的产品以及所列名称的不同，我实际上可能首先是手动定义一组属性，甚至可能只是添加特定的单词/正则表达式来匹配它们，反复查看未解析的内容到目前为止，并为此添加了规则。我想在一个词汇项可能属于多个属性方面并没有很多歧义，尽管没有看到您的数据库，我想我也不知道。

如果这不可行，则此提取类似于半监督词性标记。但是，这有点不同，因为我认为词汇表比典型的解析要受限制得多，并且产品名称的空间更为严格： resolution标记仅适用于某些类型的产品。我对那篇文学不是很熟悉。可能会有一些想法可以使用。

使用大量的培训示例。对于此示例集中的每个可能的对：

1. 解析字符串的组成部分，即。公司，size_desc，display_type，make等。
2. 找出一对两根弦之间相同成分之间的距离。
3. 创建一个数字元组，表示组件之间的距离。
4. 根据作为训练集一部分的字符串对，将元组标记为相同/不相同。
5. 喂元组并训练二进制分类器（SVM）。

现在，当您要确定一对字符串是否相同时，像在训练集中那样提取特征，并为字符串各个部分之间的距离创建一个数字元组。将元组输入经过训练的SVM，并对其进行分类（是否相同）。

使用这样的学习方法的优点是，您不必反复修改规则，而且系统还可以学习大对相同和不同产品之间的差异。

您可以在WEKA中使用LibSVM软件包来执行此操作。