Se alguém estiver a fim de programar, talvez isso funcione para alguns casos:

* Para cada par de títulos da lista, calcule a distância Levenshtein entre as duas strings (Há algoritmos prontos para isso no Wikibooks

http://en.wikibooks.org/wiki/Algorithm_Implementation/Strings/Levenshtein_distance)

** Se a distância for pequena, os títulos são "parecidos" (como "Resident Evil 4" e "Resident Evil", cuja distância é 2), então coloque o par em uma lista, para ser avaliado por alguém posteriormente

** Se não for, ignore o par e passe para o próximo

* Avalie manualmente os pares de títulos parecidos que foram incluídos na lista.

Não sei se o algoritmo levaria muito tempo para ser executado, mas talvez ajude.

2011/10/17 Fabio Azevedo <fazedo@gmail.com>

Pessoal,

Acho que ainda precisamos refinar um pouco essa lista. Encontrei
algumas escolhas que me me parecem estranhas:

1) Existem apenas 3 artigos sobre datas: 29 de agosto, 30 de agosto e
7 de setembro. O último eu até entendo, mas os outros, não.

2) O artigo [[A Fazenda 4]] figura na lista, mas não [[A Fazenda]]. Se
é que algum deles deveria figurar.

3) Existem diversos artigos sobre Piratas do Caribe
(Piratas_do_Caribe, Piratas_do_Caribe:_No_Fim_do_Mundo,
Pirates_of_the_Caribbean, Pirates_of_the_Caribbean:_At_World's_End,,
Pirates_of_the_Caribbean:_Dead_Man's_Chest,
Pirates_of_the_Caribbean:_On_Stranger_Tides,
Pirates_of_the_Caribbean:_The_Curse_of_the_Black_Pearl,
Pérola_Negra_(Piratas_do_Caribe), se não tiver outros).

4) Real_Madrid e Real_Madrid_Club_de_Fútbol (uma repetição)

5) Resident Evil 4 e Resident_Evil: Não é o caso de manter apenas 1?

6) Roma Antiga duas vezes

7) Rússia e Russia

É claro que as repetições são fáceis de resolver, mas temo que haja
vários casos assim. Será que tem uma maneira automática de eliminar
esses casos mais óbvios?

Fabio

_______________________________________________
WikimediaBR-l mailing list
WikimediaBR-l@lists.wikimedia.org
https://lists.wikimedia.org/mailman/listinfo/wikimediabr-l