Я бы пошел с обратной стороны, взял бы справочник подходящих компаний данного региона, и уже пытался бы классифицировать каждый вариант ручного ввода, по похожести на названия из справочника.

Если введенное примерно хорошо попадает под несколько компаний — уходит на ручной разбор.

Вообще очень красивая и универсальная технология.

Но для коротких названий может не пойти.

MatLab для моделирования

Сильно я не замарачивался, пришел к следующему алгоритму:

1) Вырезал орг.форму (ОАО, ООО, и т.п.)

2) Удалял из строки все пробелы, тире, запятые и пр. незначимые символы. Для того чтобы поймать компании с различным написаниям: «Регистр А-Плюс» и «Регистр А Плюс»

3) А потом тупо сопоставлял в Access по двум-трем полям:

-Название,

-Орг.форма,

-Регион.

Подразумевалось, что если компания с таким названим одна в данном регионе, то это искомая компания. А вот если их несколько, то либо руками, либо никак.

А так как у меня в одной базе было только два информативных поля (название и регион), то если две компании с одинаковыми названиямии в регионе — я их никак не сопоставлял.

Заказчику бывает полезно предложить на выбор: либо 3-4 дня времени на создание и обучение нейронной сети, которая точно будет работать, но неизвестно каким образом, либо 3-4 недели написания и отладки синтаксического анализатора, который тоже скорее всего будет работать, но предсказуемо и понятно. Классический выбор между технологиями искусственного интеллекта и алгоритмическим подходом, между прочим

P.S. Кстати, можно как-нибудь на Вашем сайте получать уведомления о новых комментариях по почте?