如何智能地解析姓氏

Question

假设西方命名约定为FirstName MiddleName(s) LastName，

从全名中正确解析出姓氏的最佳方法是什么？

例如：

John Smith --> 'Smith'
John Maxwell Smith --> 'Smith'
John Smith Jr --> 'Smith Jr'
John van Damme --> 'van Damme'
John Smith, IV --> 'Smith, IV'
John Mark Del La Hoya --> 'Del La Hoya'

...and数不清的其他排列。

Answer 1

也许这里最好的答案就是不去尝试。名字是独立的和独特的，即使将你自己限制在西方传统中，你也永远不能确定你会想到所有的边缘情况。我的一个朋友合法地将他的名字改成了一个单词，他经历了一段地狱般的时间，与各种机构打交道，这些机构的程序无法处理这个问题。你处于一个独特的位置，你是一个创建实现过程的软件的人，所以你有机会设计一些不会惹恼那些使用非传统名字的人的东西。想一想为什么你一开始就需要解析出姓氏，看看你还能做些什么。

这就是说，作为纯粹的技术问题，最好的方法可能是从包含名称的字符串的末尾删除字符串“Jr”、“Jr.”、"III“、”III“等，然后从字符串中的最后一个空格到(new，在删除Jr之后，等等)结束。这不会从你的例子中得到，比如说，"Del La Hoya“，但你甚至不能指望一个人来理解--我做出了一个有根据的猜测，约翰·马克·Del La Hoya的姓是"Del La Hoya”，而不是"Mark Del La Hoya“，因为我是以英语为母语的人，我对西班牙语的姓氏有一些直觉-如果名字是，说"Gauthip Yeidze Ka Illunyepsi”，我完全不知道这个Ka是否应该算作姓氏的一部分，因为我不知道它来自什么语言。

Answer 2

在https://pypi.python.org/pypi/nameparser上遇到了一个名为"nameparser“的库，它可以处理上述六种情况中的四种：

#!/usr/bin/env python
from nameparser import HumanName

def get_lname(somename):
    name = HumanName(somename)
    return name.last

people_names = [
    ('John Smith', 'Smith'),
    ('John Maxwell Smith', 'Smith'),
    # ('John Smith Jr', 'Smith Jr'),
    ('John van Damme', 'van Damme'),
    # ('John Smith, IV', 'Smith, IV'),
    ('John Mark Del La Hoya', 'Del La Hoya')
]

for name, target in people_names:
    print('{} --> {} <-- {}'.format(name, get_lname(name), target))
    assert get_lname(name) == target    

Answer 3

我在这里支持Tnekutippa，但你应该去named entity recognition看看。它可能有助于自动化一些过程。然而，正如前面提到的，这是相当困难的。我不太确定斯坦福大学的人是否能从盒子里提取出名字和姓氏，但机器学习方法可能会对这项任务非常有用。斯坦福大学的NER可能是一个很好的起点，或者你可以尝试制作自己的分类器和训练语料库。