CN106096024A - 地址相似度的评估方法和评估装置 - Google Patents

Abstract

本发明提供的地址相似度的评估方法，通过将待评估地址进行分词处理，得到组成待评估地址的多个分词，分别计算每个分词和标准地址的相似度，以及每个分词的权重，通过分词相似度和分词权重计算最终的地址相似度，在相似度计算中兼顾了每个分词和分词次序对相似度的影响，使最后的相似度比值更能反应地址比对的真实结果。在进一步的实施例中，引入逆向的斐波那契数进行权重计算。本发明同时提供地址相似度的评估装置。

Description

地址相似度的评估方法和评估装置

技术领域

本发明涉及信息处理技术领域，具体涉及一种地址相似度的评估方法和评估装置。

背景技术

目前地理信息系统在业务系统中应用得越来越广泛。例如，电子商务系统中，拣货员根据发货地址或收货地址将业务指派给特定的配送站点；在GIS系统中，用户输入目标地址查询公交线路，或查询某个地址周边的信息。针对这些应用场景中，需要根据地址确定该地址对应的坐标位置。现有技术的做法是在标准地址库中查找和该地址最为相似的标准地址，然后返回标准地址的坐标作为该地址的近似坐标。

判定地址和标准地址库是否相似，非常突出的技术困难是输入的地址不完整，例如，北京市朝阳公园南路6号院，漏掉了朝阳区，或者输入的地址格式不规范，例如，北京市朝阳区朝阳公园南路6号院(联系电话138********)。

目前识别地址相似度的评估技术中使用最多的是基于编辑距离(LevenshteinDistance)相似度的算法。在编辑距离相似度算法中，通过距离矩阵算出2个地址字符串之间的编辑距离，根据编辑距离和字符串长度计算出最终2个地址字符串的相似度。但是该评估技术没有考虑地址字符串中分词顺序和关键词对相似度的影响，例如，朝阳区人民公园和朝阳市人民公园，地址字符串相似度很高，但实际上相距很远。

发明内容

有鉴于此，本发明提供一种地址相似度的评估方法和装置，以解决上述问题。

根据本发明的第一方面，本发明提供一种地址相似度的评估方法，包括：根据地址词库对待评估地址进行分词处理，得到组成所述待评估地址的多个分词；计算每个所述分词和标准地址的分词相似度；计算每个所述分词的分词权重；以及根据所述分词相似度和所述分词权重计算所述待评估地址和所述标准地址的相似度。

优选地，所述计算每个所述分词和标准地址的分词相似度包括：将所述待评估地址的分词和所述标准地址的分词分别编码；根据分词编码构建距离矩阵；以及根据所述距离矩阵计算所述分词相似度。

优选地，所述计算每个所述分词的分词权重包括：从斐波那契数列中选择若干个连续数值，所述连续数值的个数等于所述分词的个数；以及将所述连续数值的逆序后计算所述分词权重。

优选地，所述计算每个所述分词的分词权重包括：获取每一所述分词对应的角色类型；以及根据所述角色分类获取每一所述分词的权重。

优选地，在根据地址词库对待评估地址进行分词处理前，将所述待评估地址进行预处理。

优选地，所述地址词库包含地名数据，地址后缀数据和数字地址数据。

根据本发明的第二方面，本发明提供一种地址相似度的评估装置，包括：分词单元，用于根据地址词库对待评估地址进行分词处理，得到组成所述待评估地址的多个分词；第一计算单元，用于计算每个所述分词和标准地址的分词相似度；第二计算单元，用于计算每个所述分词的分词权重；第三计算单元，用于根据所述分词相似度和所述分词权重计算所述待评估地址和所述标准地址的相似度。

优选地，第一计算单元包括：编码模块，用于将所述待评估地址的分词和所述标准地址的分词分别编码；距离矩阵构建模块，用于根据分词编码构建距离矩阵；以及分词相似度计算模块，用于根据所述距离矩阵计算所述分词相似度。

优选地，所述第二计算单元包括：从斐波那契数列中选择若干个连续数值，所述连续数值的个数等于所述分词的个数；以及将所述连续数 值的逆序后计算所述分词权重。

优选地，所述第二计算单元包括：获取每一所述分词对应的角色类型；以及根据所述角色分类获取每一所述分词的权重。

优选地，还包括：预处理单元，用于对所述待评估地址进行预处理。

优选地，所述地址词库包含地名数据，地址后缀数据和数字地址数据。

本发明提供的地址相似度的评估方法，通过将待评估地址进行分词处理，得到组成待评估地址的多个分词，分别计算每个分词和标准地址的相似度，以及每个分词的权重，通过分词相似度和分词权重计算最终的地址相似度，在相似度计算中兼顾了每个分词和分词次序对相似度的影响，使最后的相似度比值更能反应地址比对的真实结果。在进一步的实施例中，引入逆向的斐波那契数进行权重计算。

附图说明

通过参照以下附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：

图1是根据本发明实施例的地址相似度评估方法的流程图；

图2是根据本发明另一实施例的地址相似度评估方法的流程图；

图3是根据本发明实施例的地址相似度的评估装置的结构图；

图4是图3中第一计算单元的进一步的分解结构图。

具体实施方式

以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程没有详细叙述。另外附图不一定是按比例绘制的。

附图中的流程图、框图图示了本发明实施例的系统、方法、装置的可能的体系框架、功能和操作，流程图和框图上的方框可以代表一个模 块、程序段或仅仅是一段代码，所述模块、程序段和代码都是用来实现规定逻辑功能的可执行指令。也应当注意，所述实现规定逻辑功能的可执行指令可以重新组合，从而生成新的模块和程序段。因此附图的方框以及方框顺序只是用来更好的图示实施例的过程和步骤，而不应以此作为对发明本身的限制。

图1是根据本发明实施例的地址相似度评估方法的流程图，包括步骤101至步骤104。

在步骤101中，根据地址词库对待评估地址进行分词处理，得到组成待评估地址的多个分词。

本发明中的地址词库泛指一切存储地址关键词的词料库，这些词料包括诸如北京，海淀，文化大厦等地名数据，和诸如省、市、县、小区、号、栋、室等地址后缀信息，区域，地理专有名词等，和诸如5-302等数字地址信息。通常地址词库越完备，本步骤中的分词效果越准确，越有助于地址相似度的计算。例如，“北京市朝阳区朝阳公园南路6号院”经过分词得到五个分词“北京市，朝阳区，朝阳公园，南路，6号院”。

在步骤102中，计算每个分词和标准地址的分词相似度。

在本步骤中计算从前述步骤中获得的每个分词和标准地址的分词相似度。目前计算字符串相似度的算法有编辑距离算法、最长公共子串算法、贪心字符串匹配算法等多种算法。这些算法由于侧重点不同，应用于不同的领域中。

在步骤103中，计算待评估地址的每个分词的分词权重。

可以理解，在地址字符串中，每个分词权重不仅和分词本身相关，同时和该分词在地址串中的位置相关。例如，北京市朝阳区前进大街，分词“北京市”的权重理应大于“朝阳区”，“前进大街”，分词“朝阳区”的权重应该大于“前进大街”，因此将权重特征加入到相似度计算中，有助于更好的体现地址相似度比较的真实特征。

在一个优选的实施例中，在进行分词权重分析时，先确定每个分词对应的角色定义，再根据角色检索对应的权重。分词角色从预先定义的数据库中检索获得。例如，“北京市”定义为一级行政区划，“朝阳区”， “海淀区”定义为二级行政区划，“海淀大厦”，“京东贸易公司”定义为实体名称。

在另一个优选的实施例中，通过逆向斐波那契数列计算分词权重。斐波那契数列指的是这样一个数列：0、1、1、2、3、5、8、13、21…用文字来说，就是斐波那契数列由0和1开始，之后的斐波那契数列系数就由之前的两数相加。因为0在当前场景中没有实际业务意义，本发明中采用从1开始的斐波那契数。根据分词序列的长度，例如，“北京市朝阳区朝阳公园南路6号院”包括“北京市，朝阳区，朝阳公园，南路，6号院”五个分词，对应的逆向的斐波那契数为[5,3,2,1,1],按照当前值在总值的比例(比如“北京市”对应的斐波那契数是5，除以总和(5+3+2+1+1)精确2位小数等于0.42)换算成权重[0.42,0.25,0.17,0.08,0.08]。

在步骤104中，根据分词相似度和分词权重计算待评估地址和标准地址的相似度。

在步骤102和步骤103中分别计算获得分词相似度和分词权重，通过公式分词相似度和分词权重相乘之和，获得待评估地址和标准地址的相似度。例如，分词相似度为：[1,0.5,0.33,0.5,0.6]和分词权重为：[0.42,0.25,0.17,0.08,0.08]，最终得到地址相似度为：1*0.42+0.5*0.25+0.33*0.17+0.5*0.08+0.6*0.08＝0.687，相似度值的取值范围在0～1。

本领域的技术人员可以理解到，现有技术中的其他计算分词权重的算法也适用于本发明，也应属于本发明的保护范围之内。

图2是根据本发明另一实施例的地址相似度评估方法的流程图，包括步骤201-步骤206。

其中，步骤201,205,206和图1中的步骤101，103和104相同，这里就不再赘述。步骤202-204详细描写了分词相似度的计算方式。

在步骤202中，将待评估地址的分词和标准地址的分词分别编码。

在步骤203中，根据分词编码构建距离矩阵。

在步骤204中，根据距离矩阵计算分词相似度。

下面以一个示例说明上述三个步骤。

假设标准地址为：“北京市朝阳区将台路5号院15号楼朝阳人才”，待评估地址为：“北京市将台路5号院普天创业园15号楼”，标准地址输出分词序列为[北京市，朝阳区，将台路，5号院，15号楼，朝阳人才]，待评估地址的分词序列是[北京市，将台路，普天创业园，5号院，15号楼]。

首先,确定分词编码：北京市->‘A’，朝阳区->’B’,将台路->’C’,普天创业园->’D’,5号院->’E’,15号楼->’F’,朝阳人才->’G’，则标准地址编码结果是‘ABCEFG’,待评估地址编码结果是‘ACDEF。分词编码要求不同的分词采用不同的字母标识。

接着，根据分词编码构建距离矩阵。先创建7*8的表格，将标准地址编码填入到列，将待评估地址编码填入到每行，再填入数字，如表格1所示。

表格1

		A	B	C	E	F	G
									0	1	2	3	4	5	6
A	1
								C	2
D	3
								E	4
F	5

再根据Levenshtein Distance算法填入表格中的各值(如果行列的字符相同，对应值填入0，否则填入左边、左上角和上面的值中的最小值并且加1)，最终得到表格2的距离矩阵：

表格2

最后，计算每个分词和标准地址的相似度。表格2的斜体数字为A,C,D,E,F和标准地址的编辑距离，通过公式1-编辑距离/地址长度，得到每个分词的相似度(A：1-0/1＝1；C:1-1/2＝0.5；D:1-2/3＝0.33；E:1-2/4＝0.5；F:1-2/5＝0.6)。

在上述实施例中，通过将待评估地址进行分词处理，得到组成待评估地址的多个分词，分别计算每个分词和标准地址的相似度，以及每个分词的权重，通过分词相似度和分词权重计算最终的地址相似度，在相似度计算中兼顾了每个分词和分词次序对相似度的影响，使相似度的计算更能反应地址比对的真实结果。另外，本发明中还引入逆向的斐波那契数进行权重计算。

在一个优选的实施例中，该评估方法还包括：在根据地址词库对待评估地址进行分词处理前，将待评估地址进行预处理。例如，将全角字符变为半角字符，去掉地址串中的非法字符，如#，￥，空格等。再例如，将待评估地址的信息补全，如将在“朝阳区”前面增加“北京市”。通过预处理使分词处理更加便捷。

图3是根据本发明实施例的地址相似度的评估装置的结构图。参考图3，地址相似度的评估装,30包括地址词库300、分词单元310、第一计算单元311、第二计算单元312和第三计算单元313。

分词单元310接收输入的待评估的地址，根据地址词库300将待评估地址进行分词处理，获得待评估地址的多个分词。地址词库300中包含地名数据，地址后缀数据和数字地址数据。

第一计算单元311从分词单元310中获得多个分词，计算每个分词和标准地址的分词相似度。

第二计算单元312从分词单元310中获得多个分词，计算每个分词在待评估地址中的权重。优选的计算方式是根据分词的级别定义进行权重计算，或者根据斐波那契数列进行分词权重计算。

第三计算单元313从第一计算单元311和第二计算单元312中获得分词相似度和分词权重，汇总计算待评估地址和标准地址的相似度。优选地，可以设置相似度阈值，超过相似度阈值的待评估地址为标准地址的相似地址。

图4是图3中第一计算单元的进一步的分解结构图。参考图4，第一计算单元311包括：编码模块3111、距离矩阵构建模块3112和分词相似度计算模块3113。

编码模块3111接收待评估地址和标准地址的多个分词，并对每个分词编码。

距离矩阵构建模块3112根据分词编码构建距离矩阵。距离矩阵的构建方式和方法步骤中的相同，这里就不再赘述。

分词相似度计算模块3113根据距离矩阵计算分词相似度。计算方式和方法步骤中的相同，这里就不再赘述。

在一个优选的实施例中，上述评估装置还包括：预处理单元，用于对待评估地址进行预处理。例如，将全角字符变为半角字符，去掉地址串中的非法字符，如#，￥，空格等。通过预处理使分词处理更加便捷。

本发明中提供的评估装置，包括：分词单元，用于根据地址词库对待评估地址进行分词处理，得到组成待评估地址的多个分词；第一计算单元，用于计算每个分的分词相似度；第二计算单元，用于计算每个所述分词的分词权重；第三计算单元，用于根据所述分词相似度和所述分词权重计算所述待评估地址和所述标准地址的相似度。该评估装置根据分词相似度和分词权重计算最终的地址相似度，在相似度计算中兼顾了每个分词和分词次序对相似度的影响，使相似度的计算更能反应地址比对的真实结果。

系统的各个模块或单元可以通过硬件、固件或软件实现。软件例如包括采用JAVA、C/C++/C#、SQL等各种编程语言形成的编码程序。虽然在方法以及方法图例中给出本发明实施例的步骤以及步骤的顺序，但是所述步骤实现规定的逻辑功能的可执行指令可以重新组合，从而生成新的步骤。所述步骤的顺序也不应该仅仅局限于所述方法以及方法图例中 的步骤顺序，可以根据功能的需要随时进行调整。例如将其中的某些步骤并行或按照相反顺序执行。

根据本发明的系统和方法可以部署在单个或多个服务器上。例如，可以将不同的模块分别部署在不同的服务器上，形成专用服务器。或者，可以在多个服务器上分布式部署相同的功能单元、模块或系统，以减轻负载压力。所述服务器包括但不限于在同一个局域网以及通过Internet连接的多个PC机、PC服务器、刀片机、超级计算机等。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种地址相似度的评估方法，包括：

根据地址词库对待评估地址进行分词处理，得到组成所述待评估地址的多个分词；

计算每个所述分词和标准地址的分词相似度；

计算每个所述分词的分词权重；以及

根据所述分词相似度和所述分词权重计算所述待评估地址和所述标准地址的相似度。

2.根据权利要求1所述的评估方法，其中，所述计算每个所述分词和标准地址的分词相似度包括：

将所述待评估地址的分词和所述标准地址的分词分别编码；

根据分词编码构建距离矩阵；以及

根据所述距离矩阵计算所述分词相似度。

3.根据权利要求1所述的评估方法，其中，所述计算每个所述分词的分词权重包括：从斐波那契数列中选择若干个连续数值，所述连续数值的个数等于所述分词的个数；以及将所述连续数值的逆序后计算所述分词权重。

4.根据权利要求1所述的评估方法，其中，所述计算每个所述分词的分词权重包括：获取每一所述分词对应的角色类型；以及根据所述角色分类获取每一所述分词的权重。

5.根据权利要求1所述的评估方法，其中，在所述根据地址词库对待评估地址进行分词处理前，将所述待评估地址进行预处理。

6.根据权利要求1所述的评估方法，其中，所述地址词库包含地名数据，地址后缀数据和数字地址数据。

7.一种地址相似度的评估装置，包括：

分词单元，用于根据地址词库对待评估地址进行分词处理，得到组成所述待评估地址的多个分词；

第一计算单元，用于计算每个所述分词和标准地址的分词相似度；

第二计算单元，用于计算每个所述分词的分词权重；

第三计算单元，用于根据所述分词相似度和所述分词权重计算所述待评估地址和所述标准地址的相似度。

8.根据权利要求7所述的评估装置，其中，第一计算单元包括：

编码模块，用于将所述待评估地址的分词和所述标准地址的分词分别编码；

距离矩阵构建模块，用于根据分词编码构建距离矩阵；以及

分词相似度计算模块，用于根据所述距离矩阵计算所述分词相似度。

9.根据权利要求7所述的评估装置，其中，所述第二计算单元包括：从斐波那契数列中选择若干个连续数值，所述连续数值的个数等于所述分词的个数；以及将所述连续数值的逆序后计算所述分词权重。

10.根据权利要求7所述的评估装置，其中，所述第二计算单元包括：获取每一所述分词对应的角色类型；以及根据所述角色分类获取每一所述分词的权重。

11.根据权利要求7所述的评估装置，还包括：预处理单元，用于对所述待评估地址进行预处理。

12.根据权利要求7所述的评估装置，其中，所述地址词库包含地名数据，地址后缀数据和数字地址数据。