Python人名共指消解：区分全名、部分名与非子串关联

问题背景 #

我从新闻文章中提取了一组人名字符串，示例如下：

persons = [
    "John Doe",
    "John",
    "Johnson",
    "Murray Gell-Mann",
    "Mann",
    "Murray",
    "M",
]


def is_not_substring(sub, strings):
    for s in strings:
        if sub != s and sub in s:
            return False
    return True


fullnames = [
    s for s in persons if is_not_substring(s, persons)
]  # 初始全名列表
residuals = [s for s in persons if s not in fullnames]  # 剩余名称

运行这段代码后，fullnames会生成初步的全名列表，但residuals中的内容存在歧义：既可能是某个人名的组成部分（名/姓），也可能是独立人物的姓名，现有逻辑无法准确区分：

• "John"实际指代"John Doe"，而非"Johnson"，不能直接用普通子串in判断
• "Mann"是独立人物Thomas Mann的姓，不属于"Murray Gell-Mann"
• "Murray"指代"Murray Gell-Mann"
• "M"是虚构角色詹姆斯·邦德中的M，和"Murray Gell-Mann"无关

预期输出 #

最终需要得到三组结果：

1. 准确的全名列表：

fullnames = ["John Doe", "Johnson", "Murray Gell-Mann", "Mann", "M"]

2. 带唯一ID的全名元组：

fulltuples = [(0, "John Doe"), (1, "Johnson"), (2, "Murray Gell-Mann"), (3, "Mann"), (4,"M")]

3. 剩余名称与对应全名ID的共指元组：

residualtuples = [(0,"John"),(2,"Murray")]

其中元组的第一个元素是fulltuples中的ID，代表该短名称对应全名的共指关系。

内容的提问来源于stack exchange，提问作者Robert Alexander