Господа, прошу помочь в поиске информации о сокращениях, аналогичных такому сборнику https://popravilam.com/blog/sokrashcheniya-osnovnye.html
Уверен, что я не первый с такой задачей.
Поделитесь пожалуйста опытом, информацией, всем чем можете, если будет на то желание
С уважением, к сообществу, Александр

Коллеги, всем привет!

А как бы вы подошли к решению вот такой задачи?

Есть список юр лиц (наименование + адрес). На вход подается также список юр лиц (опять же, наименование + адрес). Нужно к каждому ЮЛ из входного списка подобрать «одинаковое» из нашего исходного списка или указать, что в первом списке это ЮЛ не значится.
Проблема в том, что написание наименования и адреса могут варьироваться. С ОПФ, без ОПФ (это что касается наименование), в названии может быть аббревиатура, которая в нашем списке исходном, например, расшифрована, а во входящем – нет, в кавычках, без кавычек. Банальные опечатки тоже возможны. С адресами та же ситуация: с индексом, без индекса, порядок частей в адресе может быть другим, «дом» вместо «д.» и т. д.
Как считаете, что тут лучше попробовать?

Я смотрел в сторону эмбеддингов (получать для каждой строки «наименование  адрес» и считать расстояние), но, правильно ли я понимаю, что любые эмбеддинги натренированы на «обычных» текстах, художественных или в крайнем случае научных, а тут у нас ни то, ни другое.

Так как считаете, как лучше подходить к решению этой задачи?

Парафразинг?) Дссм, сиамки и все такое?)

Можно начать с char-nn

Можно сразу bpe/wordpiece + трансформер какой-то в качестве энкодера

Затюнить на таске сводить положительные пары имен, и разводить негатив

Но нужны данные трейн в виде пар

Если по простому то на основании метрик сходства строк строим фичи и в бустинг, но снова нужны пары размеченные

Использование претрейн эмбеддингов на такой специфичный домен может не поехать

Вот да, я попробовал, где- о вылавливает похожие, а где-то - нет. Т е качество далеко от желаемого.

Но попробовать можно добавить банально по тфидф близость

Это поможет по редким словам метчить

В дополнение к эмбеддингам

Кстати в сети есть датасет

На сибур челлендж были метчинг юр лиц и компаний

Там можно как раз парафраз набраться

Ну а в целом спасибо большое за быстрый ответ.

Вот только я не настоящий нлпшник, поэтому пойду гуглить все термины из ваших ответов! )))

И обучить свой энкодер

Посмотри с сибур челленджа выступления на ютуб победителей

Может поможет)