Matching-Algorithmus für die Vereinheitlichung von Ortsnamen in Verlustlisten des 1. Weltkrieges

In den deutschen Verlustlisten des Ersten Weltkriegs fallen rund 1,28 Millionen verschiedene Ortsnamen – viel mehr, als es damals Orte gab. Der Grund: Hörfehler, Tippfehler und ganz unterschiedliche Schreibweisen haben aus einem einzigen Ort oft dutzende Einträge in der Datenbank gemacht. Der Verein für Computergenealogie (CompGen) hatte die Listen schon digitalisiert, konnte die Ortsangaben aber nicht verlässlich dem Geschichtlichen Ortsverzeichnis (GOV) zuordnen, das die historisch korrekten Namen enthält. Ein fünfköpfiges CorrelAid-Team entwickelte dafür von Juli bis Oktober 2021 das frei verfügbare Python-Paket compgen2: Es bereinigt die Ortsangaben, löst gängige Abkürzungen auf und schlägt über Klang- und Ähnlichkeitsvergleiche die wahrscheinlichsten Treffer im GOV vor. Am Ende übergab das Team den offen lizenzierten Code samt Dokumentation an CompGen – darunter auch eine Liste von Lücken und Widersprüchen im GOV, die dem Verein bei der Pflege seiner eigenen Datenbank hilft.