番号搜索的模糊搜索边界

三种模糊策略的边界

三种策略在命中集、噪声与性能上差异明显，按意图选边界：

策略：3 类噪声：3-41%

跨呈现层邻接读物

模糊边界在流通口语侧还有一条判据：该形态口语化对模糊召回上限的影响值得参照。

模糊召回如果溢出会被社区讨论边界吸收：讨论边界回收模糊召回溢出的机制说明了具体做法。

子串匹配的适用场景

子串匹配把待查串放任意位置，适合只记得中段几位字符。代价是噪声多，需后处理二次筛选。校验见核验流程。

编辑距离的收益递减

阈值每加一，命中集扩大两到三倍。超过 2 时噪声比越过五成，不如改用组合过滤方案。

前缀匹配的性能优势

前缀匹配走 B-Tree 或 trie 索引，性能远好过子串匹配。已知命名族前缀时优先用。族群划分见该场景命名族召回。

阈值抽检与漂移回归

在实际项目里，边界样本往往需要多轮抽检才能稳定。团队可以把每次抽检的差异记入回归表，并按季度回顾漂移趋势，避免同一类误伤反复出现。若出现明显偏差，先冻结规则再复盘输入分布，再决定是否重训模型或调整阈值。这样既能压住误报，也能给下游流程留出足够的信心裕度。

抽检样本建议按分层随机抽取，覆盖冷热尾部与常见误伤区间。评审阶段可让不同角色分别给出打分，再对比差异，减少主观偏见。评审记录归档后，能作为下季度阈值调整的基线，也方便新成员快速理解历史决策。若某轮抽检出现极端异常，别急于修改整套规则，先补充更多样本再判断，避免小样本引发的过拟合决策。

命中集缩窄的常见方法

命中集过大时叠加数字段范围或年份缩窄。编辑距离 2 的 3,050 条叠加年份缩到约 420 条，噪声降到 11%。

边界与局限

只讨论模糊匹配的策略边界，不涉及索引实现或调优。示范数据取自模拟目录。