1.1 Distance des mots

Prenons l’exemple des adresses non normalisées: on peut écrire “bld” pour “boulevard”. On peut repérer tous les “bld” et les corriger à la main. Mais le problème, c’est que certains écrivent “blvd” par exemple. Puis pour “avenue”, on peut trouver “av”, “ave”, “aven”, “avenu” et d’autres erreurs grossières.

On peut calculer la distance entre deux mots. Une façon de calculer la distance peut être la suivante:

• On compte le nombre de lettres dans chaque mot.
• Si le nombre de lettres pour un mot donné est identique, la différence est de 0. Si le nombre est différent, on prend la valeur absolue de la différence.
• A la fin, on additionne le nombre de différences.

Par exemple,

• entre “rue” et “avenue”, on a une distance de 5
• entre “boulevard” et “bld”, on a une distance de 6

1.2 Correction

Pour automatiser la correction, on peut procéder aux étapes suivantes:

• On doit d’abord avoir les types de voies normalisées, par exemple “avenue, rue, boulevard”.
• Pour chaque type de voie observé, on peut calculer la distance avec les types normalisés. Pour “av”, on aura donc “4, 5, 7”.
• On prend le minimum, et ici, on obtient bien “avenue”.

1.3 Types de distance

Imaginons le cas suivant:

• Dans ma base, j’ai deux rues
  • “rue Victor Hugo” et
  • “rue Hugo Viktor”
• Quelqu’un écrit “rue Viktor Hugo” et on suppose qu’il s’est trompé sur la lettre “k” (si ce cas vous apparait ambigu, vous pouvez toujours imaginer un autre cas où l’ordre est important).
  • Si on calcule la distance comme précédent, on aura comme distance par rapport aux données de référence: 2, 0. Du coup, la proche serait “rue Hugo Viktor”, ce qui n’est pas ce qu’on souhaitait.
  • Pour résoudre le problème, on peut utiliser un autre type de distance: distance Levenshtein, et on aura 1, 10.

On voit que selon les cas, on peut choisir le bon type de distance pour mieux traiter nos erreurs.