Seminario Internacional PortADa
Enfoques computacionales para desambiguar nombres de barcos (Barcelona, Buenos Aires, La Habana, Marsella, 1850-1914)
Departamento de Historia y Arqueología
Universidad de Barcelona
Dr. Agustín Nieto (INHUS-CONICET/UNMdP)
agustin.nieto77@gmail.com | @agusnieto77
3 y 4 de marzo de 2025
Coincidencia difusa
Un algoritmo de coincidencia difusa de nombres es una técnica que permite comparar y emparejar nombres con pequeñas diferencias, variaciones o errores. Esta técnica es especialmente útil al trabajar con fuentes de datos que contienen nombres con distintas ortografías, abreviaturas, información faltante o errores tipográficos, como ocurre con los nombres de los barcos en la base de datos construida en el marco del proyecto PortADa.
| Caso | Ejemplo |
|---|---|
| Ortografías diferentes | “Santa María” vs. “Santamaría” |
| Abreviaturas | “St.” vs. “Santo” |
| Errores tipográficos | “Juanita” vs. “Juanito” |
| Información faltante | “La Esperanza” vs. “Esperanza” |
Tres Enfoques Principales
- Similitud Fonética
- Se basa en cómo SUENAN los nombres
- Ejemplo: “Smith” ≈ “Smyth”
- Algoritmos: Soundex, Metaphone
- Similitud de Caracteres
- Se basa en cómo se ESCRIBEN los nombres
- Ejemplo: “Giuseppe” ≈ “Joseppe”
- Algoritmos: Levenshtein, Jaro-Winkler
- Similitud Semántica
- Se basa en el SIGNIFICADO
- Ejemplo: “Bob” ≈ “Robert”
- Usa modelos de incrustación (contexto semántico)
¿Para qué se puede utilizar?
| Área | Aplicaciones |
|---|---|
| Gestión de Datos | • Limpieza de bases de datos • Desambiguación |
| Búsqueda | • Motores de búsqueda • Consultas semánticas |
| Usuario | • Corrección automática • Validación de entrada |
Desafíos
| Categoría | Desafíos |
|---|---|
| Culturales | • Ambigüedad y variaciones en nombres • Diferentes convenciones de nomenclatura • Caracteres especiales y diacríticos • Transliteraciones entre idiomas |
| Técnicos | • Falta de contexto en la comparación • Problemas de calidad de datos • Escalabilidad y rendimiento • Dificultad con nombres comunes |
Enfoque en desarrollo
Enfoque híbrido para identificación de embarcaciones
El enfoque híbrido integra algoritmos de similitud (fonética, morfológica y semántica) con análisis contextual de variables técnicas y operativas de las embarcaciones. Al considerar simultáneamente el nombre del barco junto con características físicas, datos operativos e información temporal, el sistema establece coincidencias más precisas y confiables. Esta aproximación holística mejora la precisión en la identificación y proporciona mayor resistencia ante datos incompletos, adaptándose dinámicamente a diferentes contextos.
Resultados esperados I
Resultados esperados II
Resultados esperados III
Información cruda en formato plano
De Alcudia en 3 d. laud S. Antonio, de 39 t., p. A. Masot, con 500 qq. carbon 15 de enea.
De id. en 2 d. laud Cármen, de 25 t., p. A. Bombi, con 400 qq. algarrobas á la órden.
De Cardiff en 20 d. polacra Catalina, de 211 t., c. A. Ansaldi, con 280 t. carbon de piedra á la órden.
De Cádiz en 22 d. laud Salvador, de 60 t., p. 0. Poch, con 150 langotes estaño á Don M. Llobet, 5 cajas y 5 fardos cobre viejo à D. P. Fosas, 4 cajas, 5 fardos id. y 50 sacos cacao á D. B. Vidal, 150 id. à D. J. M. Serra, 50 de garbanzos á D. L. Coca y hermano, 50 balas algodon y 150 cajas azúcar á la órden y 40 @ coclunilla á D. A. Aguilera y Soler.
Datos crudos en formato tabular
| dep_date | arr_date | ship_type | ship_name | ship_tons | ship_flag | master_name |
|---|---|---|---|---|---|---|
| 1870-12-04 | 1870-12-29 | goleta francesa | Adele Catherine | 142t. | estranjeras. | Peillac |
| 1870-12-05 | 1870-12-29 | corbeta inglesa | James | 360t. | estranjeras. | Gittens |
| 1870-12-05 | 1870-12-29 | goleta | D. Manuel | 120t. | españ | Pedro Serrat |
| 1870-12-08 | 1870-12-29 | bergantin-goleta | Dolores | 154t. | españ | Salvador Gelpi |
| 1870-12-28 | 1870-12-29 | pailebot | Cármen | 53t. | españ | Josà |
| 1870-12-15 | 1870-12-28 | laud | Tres Hermanos | 57t. | españolas. | Josà |
| 1870-12-23 | 1870-12-28 | laud | Eolo | 32t. | españolas. | Joaquin Roca |
| 1870-12-02 | 1870-12-28 | corbeta austriaca | Moise Montefiore | 350t. | españolas. | Mathurich |
| 1870-12-13 | 1870-12-25 | polacra | Emilia | 140t. | españloas.m 3006 | Ginesta |
| 1870-12-21 | 1870-12-25 | laud | Santiago | 40t. | españloas.m 3006 | Chofre |
| 1870-12-23 | 1870-12-25 | daud | Remedio | 19t. | españloas.m 3006 | Gaspar Bayarri |
| 1870-12-17 | 1870-12-25 | vapor | Genil | 307t. | españloas.m 3006 | M. Rodriguez |
| 1870-10-16 | 1870-12-25 | bergantin noruego | Vidar |
|
estranjeras. | Johansen |
| 1870-10-21 | 1870-12-25 | corbeta danesa | Josephina | 288t. | estranjeras. | Arnesen |
| 1870-11-16 | 1870-12-22 | bergantin-goleta sueca | Emili | 116t. | .anjera. | Lindestron |
| 1870-11-30 | 1870-12-20 | polacra goleta | Cármen | 10t. | españolas. | Antonio Gonzalez |
| 1870-12-18 | 1870-12-20 | laud | Santo Tomás | 7t,, | españolas. | Pujol |
| 1870-11-15 | 1870-12-19 | corbeta inglesa | Wonoas | 137t. | estranjera. | Freet |
| 1870-12-15 | 1870-12-19 | laud | San Juan |
|
españ | Vicente Jover |
| 1870-12-15 | 1870-12-18 | laud | Pilar | 38t. | españ | Vicente Rams |
Datos curados en formato tabular
| dep_date | arr_date | ship_type | ship_name | ship_tons | ship_flag | master_name |
|---|---|---|---|---|---|---|
| 1870-12-08 | 1870-12-29 | bergantin goleta | Dolores | 154 | española | Salvador Gelpi |
| 1870-12-23 | 1870-12-28 | laud | Eolo | 32 | española | Joaquin Roca |
| 1870-12-17 | 1870-12-25 | vapor | Genil | 307 | española | M. Rodriguez |
| 1870-11-30 | 1870-12-20 | polacra goleta | Carmen | 10 | española | Antonio Gonzalez |
| 1870-12-15 | 1870-12-19 | laud | San Juan | 201 | española | Vicente Jover |
| 1870-09-09 | 1870-12-18 | bergantin goleta | San Juan | 118 | española | Pedro Lopez |
| 1870-12-07 | 1870-12-15 | goleta | San Juan | 70 | española | Miguel Martinez |
| 1870-12-11 | 1870-12-13 | laud | Francisca | 19 | española | Ramon Guaroh |
| 1870-12-09 | 1870-12-13 | laud | Silvina | 50 | española | Bautista Martinez |
| 1870-12-10 | 1870-12-13 | laud | Encarnacion | 48 | española | Antonio Barbera |
| 1870-12-10 | 1870-12-13 | laud | Virgen de los Remedios | 22 | española | Joaquin Liso |
| 1870-12-06 | 1870-12-10 | laud | Cisne | 45 | española | Ignacio Mensua |
| 1870-10-20 | 1870-12-01 | corbeta | Teresa Cubana | 320 | española | Rafael Soler |
| 1870-10-22 | 1870-12-01 | polacra | India | 170 | española | Juan Pla |
| 1870-10-22 | 1870-11-30 | polacra goleta | Maria Luisa | 110 | española | Luis Maristany |
| 1870-11-22 | 1870-11-23 | corbeta | Olimpia | 340 | española | Rafael Pons |
| 1870-09-22 | 1870-11-23 | bergantin goleta | Tremp | 130 | española | Marcos Mari |
| 1870-10-07 | 1870-11-22 | bergantin | Vencedor | 280 | española | Salvador Sureda |
| 1870-07-17 | 1870-09-22 | polacra goleta | Vestal | 113 | española | Pantaleon Marti |
| 1870-07-22 | 1870-09-19 | bergantin | Nueva Sabina | 207 | española | Jaime Barrau |
Datos curados y curados en formato tabular
| ship_type_raw | ship_type | ship_name_raw | ship_name | ship_flag_raw | ship_flag |
|---|---|---|---|---|---|
| bergantin-goleta | bergantin goleta | Dolores | Dolores | españ | española |
| laud | laud | Eolo | Eolo | españolas. | española |
| vapor | vapor | Genil | Genil | españloas.m 3006 | española |
| polacra goleta | polacra goleta | Cármen | Carmen | españolas. | española |
| laud | laud | San Juan | San Juan | españ | española |
| bergantin-goleta | bergantin goleta | San Juan | San Juan | españ | española |
| goleta | goleta | San Juan | San Juan | españolas. | española |
| laud | laud | Francisca | Francisca | españ | española |
| laud | laud | Silvina | Silvina | españ | española |
| laud | laud | Encarnacion | Encarnacion | españ | española |
| laud | laud | Virgen de los Remedios, | Virgen de los Remedios | españ | española |
| laud | laud | Cisne | Cisne | españ | española |
| corbeta | corbeta | Teresa Cubana | Teresa Cubana | españ | española |
| polacra | polacra | India | India | españ | española |
| polacra goleta | polacra goleta | Maria Luisa. | Maria Luisa | españ | española |
| corbeta | corbeta | Olimpia | Olimpia | españ | española |
| bergantin goleta | bergantin goleta | Tremp | Tremp | españ | española |
| bergantin | bergantin | Vencedor | Vencedor | españ | española |
| polacra-goleta | polacra goleta | Vestal | Vestal | española. | española |
| bergantin | bergantin | Nueva Sabina | Nueva Sabina | españ | española |
Resultados del cálculo de similitudes (umbral del 90%)
Resultados del cálculo de similitudes para la goleta Zoe
| similarity | master_p1 | master_p2 | master_a1 | master_a2 | ship1 | type1 | flag1 | tons1 | tons2 |
|---|---|---|---|---|---|---|---|---|---|
| 98.82557 | Giuseppe | Guiseppe | Schiaffino | Schiafino | Zoe | goleta | toscana | 102 | 98 |
| 90.64105 | Giuseppe | Joseppe | Schiaffino | Schiafino | Zoe | goleta | toscana | 102 | 98 |
| 91.52612 | Guiseppe | Joseppe | Schiafino | Schiafino | Zoe | goleta | toscana | 98 | 98 |
Resultados del cálculo de similitudes para el laúd Juanita
| similarity | master_p1 | master_p2 | master_a1 | master_a2 | ship1 | type1 | flag1 | tons1 | tons2 |
|---|---|---|---|---|---|---|---|---|---|
| 91.13757 | Cayetano | Cayetano | Trilla | Trillas | Juanito | laud | española | 32 | 32 |
| 90.42108 | Cayetano | Cayetano | Trilla | Trilles | Juanito | laud | española | 32 | 32 |
| 93.58974 | Cayetano | Cayetano | Trillas | Trillas | Juanita | laud | española | 52 | 32 |
| 96.15385 | Cayetano | Cayetano | Trillas | Trillas | Juanita | laud | española | 52 | 40 |
| 92.14616 | Cayetano | Cayetano | Trillas | Trillers | Juanita | laud | española | 52 | 52 |
| 92.92837 | Cayetano | Cayetano | Trillas | Trilles | Juanita | laud | española | 52 | 32 |
| 98.41270 | Cayetano | Cayetano | Trillas | Trillas | Juanita | laud | española | 52 | 52 |
| 96.66667 | Cayetano | Cayetano | Trillas | Trillas | Juanita | laud | española | 32 | 40 |
| 99.33862 | Cayetano | Cayetano | Trillas | Trilles | Juanita | laud | española | 32 | 32 |
| 92.00244 | Cayetano | Cayetano | Trillas | Trillas | Juanita | laud | española | 32 | 52 |
| 96.00529 | Cayetano | Cayetano | Trillas | Trilles | Juanita | laud | española | 40 | 32 |
| 94.56654 | Cayetano | Cayetano | Trillas | Trillas | Juanita | laud | española | 40 | 52 |
| 90.55886 | Cayetano | Cayetano | Trillers | Trillas | Juanita | laud | española | 52 | 52 |
| 91.34107 | Cayetano | Cayetano | Trilles | Trillas | Juanita | laud | española | 32 | 52 |
Recursos y referencias
- abydos.phonetic package
- Algoritmo del Metáfono para el Español
- Algoritmos Fonéticos
- Howard (2018). Phonetic Algorithms in R. Journal of Open Source Software
- Howard (2020). Phonetic Spelling Algorithm Implementations for R. Journal of Statistical Software
- Improving Search Results by using Phonetics Algorithm
- jellyfish
- Ladd (2020) “Understanding and Using Common Similarity Measures for Text Analysis” Programming Historian
- Phonetics based Fuzzy string matching algorithms
- Phonetic Matching Algorithms
- Phonetic Spelling Algorithms in R
- Soundex Phonetic Algorithm
- Splink: Fast, accurate and scalable probabilistic data linkage
- stringdist: Approximate String Matching, Fuzzy Text Search, and String Distance Functions
- The Soundex Algorithm: Bridging Phonetics and Data
- Zobel & Dart (1996) Phonetic string matching: lessons from information retrieval. ACM SIGIR
¡GRACIAS!
Seminario Internacional PortADa
Departamento de Historia y Arqueología
Universidad de Barcelona
Dr. Agustín Nieto (INHUS-CONICET/UNMdP)
agustin.nieto77@gmail.com | @agusnieto77
3 y 4 de marzo de 2025