CN113627184B - 数据处理方法和装置 - Google Patents
数据处理方法和装置 Download PDFInfo
- Publication number
- CN113627184B CN113627184B CN202010381334.3A CN202010381334A CN113627184B CN 113627184 B CN113627184 B CN 113627184B CN 202010381334 A CN202010381334 A CN 202010381334A CN 113627184 B CN113627184 B CN 113627184B
- Authority
- CN
- China
- Prior art keywords
- address
- processed
- entity
- distance
- entity address
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了数据处理方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:接收地址处理请求,获取待处理地址的地址名称和待处理地址的经纬度数据;根据待处理地址的地址名称和待处理地址的经纬度数据,利用混合距离搜索模型确定待处理地址对应的备选实体地址集;基于半监督学习的聚类算法,从备选实体地址集中选择待处理地址对应的目标实体地址。该实施方式能够借助混合距离搜索模型确定备选实体地址集,提高备选实体地址集的准确性,进而提高目标实体地址的正确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种数据处理方法和装置。
背景技术
大数据时代的来临,利用相关算法对海量数据进行处理、分析与存储,从海量的数据中发现价值,服务于生活与生产,因此在餐饮、电信、金融、娱乐、体育等领域都能够感受到大数据带来的影响。在物流领域,对订单的详细地址信息进行数据处理,确定出订单所属的实体地址,从而可以后续进行数据分析或数据挖掘。其中,实体地址是指标准行政地址街道的下一级地址,或者是具体的楼栋号、楼层号、门牌号的上一级地址,如某小区、某公司、某大厦。
目前,可以使用如下方法对详细地址信息进行数据处理:一、首先利用详细地址信息的经纬度数据得到附件的实体地址备选集,然后进行聚类,得到最终的实体地址备选集,最后对最终的实体地址备选集进行文本匹配,得到目标实体地址;二、首先通过分词得到详细地址信息的备选集,然后对备选集的经纬度数据进行相邻计算,最后进行聚类得到目标实体地址。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:当详细地址信息的经纬度数据偏离真实地址或者详细地址信息存在错字时,会造成得到的备选实体地址集不准确,最终导致获得的目标实体地址不正确。
发明内容
有鉴于此,本发明实施例提供一种数据处理方法和装置,能够借助混合距离搜索模型确定备选实体地址集,提高备选实体地址集的准确性,进而提高目标实体地址的正确性。
为实现上述目的,根据本发明实施例的第一方面,提供了一种数据处理方法。
本发明实施例的一种数据处理方法,包括:接收地址处理请求,获取待处理地址的地址名称和所述待处理地址的经纬度数据;根据所述待处理地址的地址名称和所述待处理地址的经纬度数据,利用混合距离搜索模型确定所述待处理地址对应的备选实体地址集;基于半监督学习的聚类算法,从所述备选实体地址集中选择所述待处理地址对应的目标实体地址。
可选地,所述根据所述待处理地址的地址名称和所述待处理地址的经纬度数据,利用混合距离搜索模型确定所述待处理地址对应的备选实体地址集,包括:根据所述待处理地址的地址名称和所述待处理地址的经纬度数据,利用混合距离搜索模型,确定所述待处理地址与实体地址库中至少一个实体地址的混合距离;基于预设实体地址筛选条件,根据所述待处理地址与所述至少一个实体地址的混合距离,从所述至少一个实体地址中选择所述待处理地址对应的备选实体地址。
可选地,所述根据所述待处理地址的地址名称和所述待处理地址的经纬度数据,利用混合距离搜索模型,确定所述待处理地址与实体地址库中至少一个实体地址的混合距离,包括:根据所述待处理地址的地址名称和所述至少一个实体地址的地址名称,计算所述待处理地址与所述至少一个实体地址的文本距离;根据所述待处理地址的经纬度数据和所述至少一个实体地址的经纬度数据,计算所述待处理地址与所述至少一个实体地址的地理距离;根据所述文本距离、所述地理距离、以及混合距离搜索模型中的模型参数,计算所述待处理地址与所述至少一个实体地址的混合距离。
可选地,所述根据所述待处理地址的地址名称和所述至少一个实体地址的地址名称,计算所述待处理地址与所述至少一个实体地址的文本距离,包括:对所述待处理地址的地址名称进行分词,获得分词地址名称;计算所述分词地址名称与所述至少一个实体地址的地址名称的TF-IDF值;确定计算的TF-IDF值为所述待处理地址与所述至少一个实体地址的文本距离。
可选地,在计算所述待处理地址与所述至少一个实体地址的地理距离之后,所述方法还包括:对所述待处理地址与所述至少一个实体地址的地理距离进行高斯衰减处理。
可选地,在确定所述待处理地址与实体地址库中至少一个实体地址的混合距离之前,所述方法还包括:获取所述实体地址库;确定所述实体地址库中所述至少一个实体地址的地址名称和所述至少一个实体地址的经纬度数据。
可选地,所述基于半监督学习的聚类算法,从所述备选实体地址集中选择所述待处理地址对应的目标实体地址,包括:基于半监督学习的聚类算法,计算所述待处理地址与所述备选实体地址集中至少一个备选实体地址的聚类值;从所述聚类值中选择最小值,确定所述最小值对应的备选实体地址为所述待处理地址对应的目标实体地址。
可选地,所述基于半监督学习的聚类算法,计算所述待处理地址与所述备选实体地址集中至少一个备选实体地址的聚类值,包括:针对所述备选实体地址集中一个备选实体地址,按照如下方法计算所述待处理地址与所述一个备选实体地址的聚类值:获取所述一个备选实体地址对应的历史地址;将所述历史地址与所述一个备选实体地址的混合距离作为有监督数据,将所述待处理地址与所述一个备选实体地址的混合距离作为无监督数据,以及利用预设的聚类算法,计算所述待处理地址与所述一个备选实体地址的聚类值。
为实现上述目的,根据本发明实施例的第二方面,提供了一种数据处理装置。
本发明实施例的一种数据处理装置,包括:获取模块,用于接收地址处理请求,获取待处理地址的地址名称和所述待处理地址的经纬度数据;确定模块,用于根据所述待处理地址的地址名称和所述待处理地址的经纬度数据,利用混合距离搜索模型确定所述待处理地址对应的备选实体地址集;选择模块,用于基于半监督学习的聚类算法,从所述备选实体地址集中选择所述待处理地址对应的目标实体地址。
可选地,所述确定模块还用于:根据所述待处理地址的地址名称和所述待处理地址的经纬度数据,利用混合距离搜索模型,确定所述待处理地址与实体地址库中至少一个实体地址的混合距离;基于预设实体地址筛选条件,根据所述待处理地址与所述至少一个实体地址的混合距离,从所述至少一个实体地址中选择所述待处理地址对应的备选实体地址。
可选地,所述确定模块还用于:根据所述待处理地址的地址名称和所述至少一个实体地址的地址名称,计算所述待处理地址与所述至少一个实体地址的文本距离;根据所述待处理地址的经纬度数据和所述至少一个实体地址的经纬度数据,计算所述待处理地址与所述至少一个实体地址的地理距离;根据所述文本距离、所述地理距离、以及混合距离搜索模型中的模型参数,计算所述待处理地址与所述至少一个实体地址的混合距离。
可选地,所述确定模块还用于:对所述待处理地址的地址名称进行分词,获得分词地址名称;计算所述分词地址名称与所述至少一个实体地址的地址名称的TF-IDF值;确定计算的TF-IDF值为所述待处理地址与所述至少一个实体地址的文本距离。
可选地,所述确定模块还用于:对所述待处理地址与所述至少一个实体地址的地理距离进行高斯衰减处理。
可选地,所述确定模块还用于:获取所述实体地址库;确定所述实体地址库中所述至少一个实体地址的地址名称和所述至少一个实体地址的经纬度数据。
可选地,所述选择模块还用于:基于半监督学习的聚类算法,计算所述待处理地址与所述备选实体地址集中至少一个备选实体地址的聚类值;从所述聚类值中选择最小值,确定所述最小值对应的备选实体地址为所述待处理地址对应的目标实体地址。
可选地,所述选择模块还用于:针对所述备选实体地址集中一个备选实体地址,按照如下方法计算所述待处理地址与所述一个备选实体地址的聚类值:获取所述一个备选实体地址对应的历史地址;将所述历史地址与所述一个备选实体地址的混合距离作为有监督数据,将所述待处理地址与所述一个备选实体地址的混合距离作为无监督数据,以及利用预设的聚类算法,计算所述待处理地址与所述一个备选实体地址的聚类值。
为实现上述目的,根据本发明实施例的第三方面,提供了一种电子设备。
本发明实施例的一种电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现本发明实施例的数据处理方法。
为实现上述目的,根据本发明实施例的第四方面,提供了一种计算机可读介质。
本发明实施例的一种计算机可读介质,其上存储有计算机程序,程序被处理器执行时实现本发明实施例的数据处理方法。
上述发明中的一个实施例具有如下优点或有益效果:能够借助混合距离搜索模型,同时采用地址名称和经纬度数据确定备选实体地址集,替代了现有技术中先选取一层备选集,再得到下一层备选集的方案,提高备选实体地址集的准确性,进而提高目标实体地址的正确性。此外,本发明实施例的数据处理技术方案,在获取到备选实体地址集后,采用半监督学习的聚类算法替代现有技术中的聚类算法,从备选实体地址集中选择出待处理地址对应的目标实体地址,解决现有技术中直接聚类出现的遗漏问题,进一步提高目标实体地址的正确性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的数据处理方法的主要步骤的示意图;
图2是根据本发明实施例的确定待处理地址对应的备选实体地址集的方法的主要流程的示意图;
图3是根据本发明实施例的从备选实体地址集中选择目标实体地址的方法的主要流程的示意图;
图4是根据本发明实施例的数据处理方法的主要流程的示意图;
图5是根据本发明实施例的数据处理装置的主要模块的示意图;
图6是本发明实施例可以应用于其中的示例性系统架构图;
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
现在技术中,采用如下两种方法对详细地址信息进行数据处理:一、首先利用详细地址信息的经纬度数据得到附件的实体地址备选集,然后进行聚类,得到最终的实体地址备选集,最后对最终的实体地址备选集进行文本匹配,得到目标实体地址;二、首先通过分词得到详细地址信息的备选集,然后对备选集的经纬度数据进行相邻计算,最后进行聚类得到目标实体地址。
但是,当详细地址信息的经纬度数据偏离真实地址时,会造成得到的实体地址备选集不准确,最终导致获得的目标实体地址不正确。比如,详细地址信息中出现“A小区东南门”,而这个东南门与B小区相隔仅仅一条马路,通过经纬度数据计算得到的备选集,往往是B小区的地址,导致该详细地址信息对应的真的实体地址“A小区”不会出现在备选集中。再比如,“天宝中路20号西南门”与“天宝中路21号”两者只隔着一条马路,但通过经纬度数据计算得到的备选集中,大量出现“天宝中路21号”,而“天宝中路20号”出现的较少,导致最后进行聚类计算时,得到的最终结果为“天宝中路21号”。
还有,当详细地址信息存在错字时,会造成得到的实体地址备选集不准确,最终导致获得的目标实体地址不正确。比如,“浉城小区”中“浉”字比较生僻,并且与“狮”字容易混淆,大多数订单的详细地址信息会出现“狮城小区”的情况,而此时通过名称计算得到的备选集大多数都是“X狮小区”或者“狮X小区”,因此真实的“浉城小区”也不会出现在备选集中,导致最后的目标实体地址也不能正确对应。此外,现有技术没有标准数据集的内容,仅仅采用历史订单的主干信息的方式,会导致所有该小区的订单最后对应的地址都会是“狮城小区”而非地图上真实信息的“浉城小区”的情况。主干信息是指详细地址信息中除了具体的楼栋号、楼层号、门牌号之外的地址信息,比如详细地址信息为北京市海淀区红旗街道碧桂园小区X栋XXX,则对应的主干信息为北京市海淀区红旗街道碧桂园小区。
为了解决上述问题,本发明实施例提供一种数据处理方法,用于对详细地址信息进行处理分析,获得该详细地址信息对应的实体地址。图1是根据本发明实施例的数据处理方法的主要步骤的示意图,如图1所示,数据处理方法的主要步骤可以包括:
步骤S101,接收地址处理请求,获取待处理地址的地址名称和待处理地址的经纬度数据;
步骤S102,根据待处理地址的地址名称和待处理地址的经纬度数据,利用混合距离搜索模型确定待处理地址对应的备选实体地址集;
步骤S103,基于半监督学习的聚类算法,从备选实体地址集中选择待处理地址对应的目标实体地址。
本发明实施例的数据处理方法中,接收的地址处理请求中包括待处理地址和待处理地址的特定信息,其中,待处理地址可以是用户下单的详细地址,待处理地址的特定信息可以包括:地址名称和经纬度数据。地址名称是指待处理地址的详细名称信息,比如待处理地址为北京市大兴区浉城百丽小区X号楼XXX,地址名称为北京市大兴区浉城百丽小区X号楼XXX。经纬度是经度与纬度的合称组成一个坐标系统,称为地理坐标系统,它是一种利用三度空间的球面来定义地球上的空间的球面坐标系统,能够标示地球上的任何一个位置,因此对于每个待处理地址,均具有其对应的经纬度数据,根据经纬度数据可以确定待处理地址在地球上的位置。比如待处理地址为北京市大兴区浉城百丽小区X号楼XXX,对应的经纬度数据为:经度116.4907,纬度39.7903。
在接收到地址处理请求后,可以直接获取待处理地址的地址名称和经纬度数据,然后结合混合距离搜索模型,确定待处理地址对应的备选实体地址集。其中,混合距离搜索模型是利用混合距离搜索出待处理地址对应的备选实体地址集的模型;备选实体地址集中可以包括至少一个备选实体地址。
在得到备选实体地址集后,可以使用半监督学习的聚类算法代替现有技术中的聚类算法,从备选实体地址集中选择出待处理地址对应的目标实体地址。其中,半监督学习是模式识别和机器学习领域研究的重点问题,是监督学习与无监督学习相结合的一种学习方法,它主要考虑如何利用标注样本和未标注样本进行训练和分类的问题。聚类算法是指又称群分析,它是研究(样品或指标)分类问题的一种统计分析方法,同时也是数据挖掘的一个重要算法。聚类算法以相似性为基础,在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。本发明实施例中,基于半监督学习的聚类算法是利用已经标注的详细地址信息和未标注的详细地址信息,对未标注的详细地址信息进行聚类,从而对未标注的详细地址信息进行标注。此处的已经标注的详细地址信息是指已知详细地址信息的实体地址,未标注的详细地址信息是指未知详细地址信息的实体地址,对未标注的详细地址信息进行标注是指确定详细地址信息的实体地址。
本发明实施例的数据处理技术方案,能够借助混合距离搜索模型,同时采用地址名称和经纬度数据确定备选实体地址集,替代了现有技术中先选取一层备选集,再得到下一层备选集的方案,提高备选实体地址集的准确性,进而提高目标实体地址的正确性。此外,本发明实施例的数据处理技术方案,在获取到备选实体地址集后,采用半监督学习的聚类算法替代现有技术中的聚类算法,从备选实体地址集中选择出待处理地址对应的目标实体地址,解决现有技术中直接聚类出现的遗漏问题,进一步提高目标实体地址的正确性。
现有技术中,当详细地址信息的经纬度数据偏离真实地址或者详细地址信息存在错字时,会造成得到的备选实体地址集不准确,最终导致获得的目标实体地址不正确。可以看出,备选实体地址集的重要性,作为本发明的可参考实施例,根据待处理地址的地址名称和待处理地址的经纬度数据,利用混合距离搜索模型确定待处理地址对应的备选实体地址集,可以包括:
步骤S1021,根据待处理地址的地址名称和待处理地址的经纬度数据,利用混合距离搜索模型,确定待处理地址与实体地址库中至少一个实体地址的混合距离;
步骤S1022,基于预设实体地址筛选条件,根据待处理地址与至少一个实体地址的混合距离,从至少一个实体地址中选择待处理地址对应的备选实体地址。
在步骤S1021中,首先利用待处理地址的地址名称和待处理地址的经纬度数据,利用混合距离搜索模型,计算得到待处理地址与实体地址库中至少一个实体地址的混合距离。在上文中提到,混合距离搜索模型是利用混合距离搜索出待处理地址对应的备选实体地址集的模型,具体实现方法中,可以利用混合距离搜索模型计算得到待处理地址与实体地址库中每个实体地址的混合距离。
其中,实体地址库是指现有的实体地址数据库,包括了所有实体地址的信息,如实体地址库中包含所有小区的信息、所有酒店的信息、以及所有大厦的信息等。在具体技术方案中,计算待处理地址与实体地址库中所有实体地址的混合距离,如实体地址库中包括A1至A10共10个小区、B1至B20共20个酒店、以及C1至C18共18个大厦,那么需要分别计算待处理地址D与A1至A10、B1至B20、以及C1至C18的混合距离。
本发明实施例中,需要计算待处理地址与实体地址库中每个实体地址的混合距离,因此需要首先获取实体地址库。此外,在具体计算混合距离时,需要计算待处理地址与实体地址的文本距离和地理距离,因此需要确定实体地址的地址名称和经纬度数据。综上所述,在确定待处理地址与实体地址库中至少一个实体地址的混合距离之前,数据处理方法还可以包括:获取实体地址库;确定实体地址库中至少一个实体地址的地址名称和至少一个实体地址的经纬度数据。
考虑到混合距离是由文本距离和地理距离组合而成的,所以作为本发明的可参考实施例,根据待处理地址的地址名称和待处理地址的经纬度数据,利用混合距离搜索模型,确定待处理地址与实体地址库中至少一个实体地址的混合距离,可以包括:
步骤S10211,根据待处理地址的地址名称和至少一个实体地址的地址名称,计算待处理地址与至少一个实体地址的文本距离;
步骤S10212,根据待处理地址的经纬度数据和至少一个实体地址的经纬度数据,计算待处理地址与至少一个实体地址的地理距离;
步骤S10213,根据文本距离、地理距离、以及混合距离搜索模型中的模型参数,计算待处理地址与至少一个实体地址的混合距离。
具体的,根据待处理地址的地址名称和至少一个实体地址的地址名称,计算待处理地址与至少一个实体地址的文本距离,可以包括:对待处理地址的地址名称进行分词,获得分词地址名称,计算分词地址名称与至少一个实体地址的地址名称的TF-IDF值,确定计算的TF-IDF值为待处理地址与至少一个实体地址的文本距离。其中,文本距离可以定义为文本的TF-IDF值,TF-IDF(term frequency–inverse document frequency,词频-逆向文件频率)是一种用于信息检索与文本挖掘的常用加权技术。TF-IDF是一种统计方法,用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加,但同时会随着它在语料库中出现的频率成反比下降。TF-IDF的主要思想是:如果某个单词在一篇文章中出现的频率TF高,并且在其他文章中很少出现,则认为此词或者短语具有很好的类别区分能力,适合用来分类。因此,文本距离可以定义为文本的TF-IDF值。本发明实施例中,若待处理地址的地址名称与某实体地址的TF-IDF值高,则说明待处理地址与该实体地址的关系密切,也说明该实体地址为待处理地址对应的目标实体地址的可能性越高。
在计算待处理地址与实体地址的混合距离中,除了计算待处理地址与实体地址的文本距离之外,还需要计算待处理地址与实体地址的地理距离,这样做的好处是,在确定备选实体地址集的过程中,考虑了文本距离和地理距离,从而可以提高备选实体地址集的准确性。其中,待处理地址与实体地址的地理距离可以利用待处理地址的经纬度数据与实体地址的经纬度数据进行计算。地理距离可以理解为经纬度的地球曲面距离,在一定小范围内可以理解为地图上的直线距离,由于待处理地址和实体地址都有对应的经纬度数据,因此可以直接计算两者之间的地理距离。
此外,在计算待处理地址与至少一个实体地址的地理距离之后,数据处理方法还可以包括:对待处理地址与至少一个实体地址的地理距离进行高斯衰减处理。这是由于实体地址较多,没有必要计算超出一定地理范围以外的值,因此可以使用分段函数将实际地理距离超出一定范围的得分都置为0,但是这样直接置为0,会导致计算不平滑,比如超出范围0.1米就会被计算为0,所以在计算得到地理距离之后,可以对得到的地理距离进行高斯衰减处理。此处需要注意的是,本发明实施例中高斯衰减处理是一个反比的函数,如果待处理地址与某实体地址的地理距离越近,则说明该实体地址对应的得分越高,其为待处理地址对应的目标实体地址的可能性越大。同样地,如果待处理地址与某实体地址的地理距离越远,则说明该实体地址对应的得分为0,其为待处理地址对应的目标实体地址的可能性越小。
在通过步骤S10211计算得到文本距离、以及通过步骤S10212计算得到地理距离之后,可以将文本距离、地理距离、以及混合距离搜索模型中的模型参数,计算得到待处理地址与实体地址的混合距离。其中,具体的混合距离计算公式可以为:混合距离=文本距离*模型参数+地理距离,模型参数可以根据实际情况进行设置。具体的模型参数可以根据以下情况讨论:(一)待处理地址与某实体地址的文本距离越大,则说明该实体地址为目标实体地址的可能性较高,待处理地址与某实体地址的地理距离越大,则说明该实体地址为目标实体地址的可能性较低,因此如果不对文本距离和地理距离进行处理,直接代入混合距离计算公式,那么模型参数需要为一个负数,这样得到的待处理地址与某实体地址的混合距离越小,则说明该实体地址为目标实体地址的可能性较高;(二)如果本发明实施例中对计算得到的地理距离进行高斯衰减处理,那么处理后的地理距离越小,则说明该实体地址为目标实体地址的可能性较低,此种情况下,模型参数需要为一个正数,这样得到的待处理地址与某实体地址的混合距离越大,则说明该实体地址为目标实体地址的可能性较高。
举例来说,文本距离和混合距离的公式定义如下:文本距离=1-最大公共子序列长度/较短的文本长度,混合距离=文本距离*参数+地理距离。待处理地址为“北京市大兴区狮城百丽小区东门”,对应的经纬度数据为:经度116.4957和纬度:39.7926;其与实体地址“浉城百丽”的混合距离可以为:文本距离=1-3/4=0.25,混合距离=0.25*500+497.87=622.87,其中500为设置的参数;其与实体地址“金地格林”的混合距离可以为:文本距离=1-0/4=1,混合距离=1*500+497.87=997.87。
本发明实施例中,利用混合距离搜索模型计算待处理地址与实体地址库中每个实体地址的混合距离,兼顾了地址名称和经纬度数据这两方面,可以有效避免现有技术选择备选集时,先用名称选择备选集或者先用距离选择备选集导致的备选集不足的问题。
例如,待处理地址为北京市大兴区狮城百丽小区东门,其中狮城百丽小区中出现了错别字,应该为浉城百丽小区。该待处理地址对应的经纬度数据为:经度116.4957和纬度39.7926,利用本发明实施例的混合距离搜索模型确定的备选实体地址集为表1,仅通过经纬度数据确定的备选实体地址集为表2,仅通过地址名称确定的备选实体地址集为表3。从表2中可以看出,仅通过经纬度数据得到的备选实体地址集中,没有出现正确的浉城百丽小区。同样,由表3可得,仅通过地址名称得到的备选实体地址集中,也没有出现正确的浉城百丽小区。
表1
表2
名称 | 得分 | 排名 |
天宝园三里 | 0.999 | 1 |
开发区天宝园社区卫生站 | 0.983676 | 2 |
上海沙龙2期 | 0.97185 | 3 |
表3
名称 | 得分 | 排名 |
丽园阳光 | 17.19185 | 1 |
丽园社区 | 17.181244 | 2 |
在计算得到待处理地址与实体地址库中每个实体地址的混合距离后,可以利用预设实体地址筛选条件,结合计算得到的混合距离,从所有实体地址中选择备选实体地址。预设实体地址筛选条件可以是预设数量条件,如预设数量为10,则将计算得到的待处理地址与实体地址库中每个实体地址的混合距离按照从小到大排序,然后选择排名靠前的10个混合距离,这10个混合距离对应的实体地址为待处理地址对应的备选实体地址。需要注意的是,本发明实施例中待处理地址与实体地址之间的混合距离越小,则说明待处理地址与该实体地址的关系越密切,其为目标实体地址的可能性越高,所以选择较小混合距离对应的实体地址为备选实体地址。此外,预设实体地址筛选条件还可以是预设距离条件,如预设距离为小于距离S,在计算得到的待处理地址与某实体地址的混合距离小于S时,则该实体地址为待处理地址对应的备选实体地址。
图2是根据本发明实施例的确定待处理地址对应的备选实体地址集的方法的主要流程的示意图。如图2所示,确定待处理地址对应的备选实体地址集的方法的主要流程可以包括:
步骤S201,获取实体地址库,确定实体地址库中至少一个实体地址的地址名称和至少一个实体地址的经纬度数据;
步骤S202,对待处理地址的地址名称进行分词,获得待处理地址的分词地址名称;
步骤S203,计算待处理地址的分词地址名称与至少一个实体地址的地址名称的TF-IDF值,确定计算的TF-IDF值为待处理地址与至少一个实体地址的文本距离;
步骤S204,根据待处理地址的经纬度数据和至少一个实体地址的经纬度数据,计算待处理地址与至少一个实体地址的地理距离;
步骤S205,对待处理地址与至少一个实体地址的地理距离进行高斯衰减处理;
步骤S206,根据文本距离、地理距离、以及混合距离搜索模型中的模型参数,计算待处理地址与至少一个实体地址的混合距离;
步骤S207,基于预设实体地址筛选条件,根据待处理地址与至少一个实体地址的混合距离,从至少一个实体地址中选择待处理地址对应的备选实体地址。
从图2中可以看出,步骤S202、步骤S203、步骤S204和步骤S205的执行顺序可以根据实际情况进行调整。步骤S202和步骤S203用于计算待处理地址与实体地址库中至少一个实体地址的文本距离,步骤S204和步骤S205用于计算待处理地址与实体地址库中至少一个实体地址的地理距离,因此可以先执行步骤S202和步骤S203,再执行步骤S204和步骤S205,也可以先执行步骤S204和步骤S205,再执行步骤S202和步骤S203,又或者是同时计算文本距离和地理距离,本发明实施例对此不作限定。
本发明实施例的确定待处理地址对应的备选实体地址集的技术方案中,利用待处理地址的地址名称和经纬度数据计算待处理地址与实体地址库中每个实体地址的混合距离,兼顾了地址名称和经纬度数据,避免了现有技术中当详细地址信息的经纬度数据偏离真实地址或者详细地址信息存在错字时,导致的备选实体地址集不准确的问题。此外,在从备选实体地址集中选择目标实体地址时,可以利用预设实体地址筛选条件,使得本技术方案符合更多的应用场景,提高了方案的实用性。
利用半监督学习的聚类算法,从备选实体地址集中选择目标实体地址是本发明实施例的重要部分,采用半监督学习的聚类算法替代现有技术中的聚类算法,从备选实体地址集中选择出待处理地址对应的目标实体地址,解决现有技术中直接聚类出现的遗漏问题,进一步提高目标实体地址的正确性。作为本发明的可参考实施例,基于半监督学习的聚类算法,从备选实体地址集中选择待处理地址对应的目标实体地址,可以包括:
步骤S1031,基于半监督学习的聚类算法,计算待处理地址与备选实体地址集中至少一个备选实体地址的聚类值;
步骤S1032,从聚类值中选择最小值,确定最小值对应的备选实体地址为待处理地址对应的目标实体地址。
基于半监督学习的聚类算法是利用已经标注的详细地址信息和未标注的详细地址信息,对未标注的详细地址信息进行聚类,从而对未标注的详细地址信息进行标注。本发明实施例中,已经标注的详细地址信息是指已知详细地址信息的实体地址,未标注的详细地址信息是指未知详细地址信息的实体地址,对未标注的详细地址信息进行标注是指确定详细地址信息的实体地址。具体的,在确定备选实体地址集之后,获取备选实体地址集对应的已经标注的详细地址信息,如备选实体地址集为A1、A2、B1、B3和C5,分别获取这5个备选实体地址对应的历史地址信息,如历史地址A11至A15对应实体地址A1。
本发明实施例中,基于半监督学习的聚类算法,计算待处理地址与备选实体地址集中至少一个备选实体地址的聚类值,可以包括:针对备选实体地址集中每个备选实体地址,分别计算待处理地址与每个备选实体地址的聚类值。具体的,计算待处理地址与备选实体地址A1的聚类值的方法为:获取备选实体地址A1对应的历史地址;将历史地址与备选实体地址A1的混合距离作为有监督数据,将待处理地址与备选实体地址A1的混合距离作为无监督数据,将得到的有监督数据和无监督数据代入预设的聚类算法中,计算得到待处理地址与一个备选实体地址的聚类值。
采用半监督学习的方式可以避免待处理地址对应的真实目标实体地址附近的数据点较为稀疏的情况下,现有技术中的聚类方法会错误判断为临近的其他实体地址。在确定备选实体地址集后,可以从历史地址中,确定一些历史地址对应的实体地址为备选实体地址集中的备选实体地址,然后将这些历史信息选择出来作为有监督数据,比如备选实体地址为A1,从历史地址中选择出的A11至A15对应的实体地址为A1,此时可以将A11至A15作为有监督数据。还有,预设的聚类算法可以为基于graph-based的聚类算法(即,一种图聚类算法),定义聚类值为S,S越小,则说明聚类效果越好,具体的聚类公式为:
其中,wi,j相当于权重值,将graph-based算法当中表示距离的(yi-yj)2部分替换成为混合距离,然后计算得到S值。比如,备选实体地址为A1,历史地址A11至A15对应的实体地址为A1,将历史地址A11至A15与备选实体地址A1的混合距离作为有监督数据,将待处理地址与备选实体地址A1的混合距离作为无监督数据代入至上述聚类公式中,得到待处理地址与备选实体地址A1的聚类值。同样的,计算待处理地址与其他备选实体地址的聚类值,然后从计算得到的聚类值中选择出最小值,然后确定最小值对应的备选实体地址为待处理地址对应的目标实体地址。还可以看出,上述聚类公式可以用矩阵的方式来表示,Y是包含有监督数据和无监督数据的一个向量,L这个矩阵为图的拉普拉斯矩阵,定义为L=D-W,其中D是图的邻接矩阵,而W则是由D得到的对角矩阵。
图3是根据本发明实施例的从备选实体地址集中选择目标实体地址的方法的主要流程的示意图。如图3所示,从备选实体地址集中选择目标实体地址的方法的主要流程可以包括:
步骤S301,从备选实体地址集中选择一个备选实体地址;
步骤S302,获取该备选实体地址对应的历史地址;
步骤S303,将历史地址与该备选实体地址的混合距离作为有监督数据,将待处理地址与该备选实体地址的混合距离作为无监督数据;
步骤S304,将有监督数据和无监督数据代入预设的聚类算法,计算待处理地址与该备选实体地址的聚类值;
步骤S305,判断是否计算备选实体地址集中每个备选实体地址与待处理地址的聚类值,若是,则执行步骤S306;
步骤S306,从所有聚类值中选择最小值,确定最小值对应的备选实体地址为待处理地址对应的目标实体地址。
本发明实施例的从备选实体地址集中选择目标实体地址的技术方法中,采用半监督学习的聚类算法替代现有技术中的聚类算法,解决现有技术中直接聚类出现的遗漏问题,进一步提高目标实体地址的正确性。
图4是根据本发明实施例的数据处理方法的主要流程的示意图。如图4所示,数据处理方法的主要流程可以包括:
步骤S401,接收地址处理请求,获取待处理地址的地址名称和待处理地址的经纬度数据;
步骤S402,获取实体地址库,确定实体地址库中至少一个实体地址的地址名称和至少一个实体地址的经纬度数据;
步骤S403,对待处理地址的地址名称进行分词,获得待处理地址的分词地址名称;
步骤S404,计算待处理地址的分词地址名称与至少一个实体地址的地址名称的TF-IDF值,确定计算的TF-IDF值为待处理地址与至少一个实体地址的文本距离;
步骤S405,根据待处理地址的经纬度数据和至少一个实体地址的经纬度数据,计算待处理地址与至少一个实体地址的地理距离;
步骤S406,对待处理地址与至少一个实体地址的地理距离进行高斯衰减处理;
步骤S407,根据文本距离、地理距离、以及混合距离搜索模型中的模型参数,计算待处理地址与至少一个实体地址的混合距离;
步骤S408,基于预设实体地址筛选条件,根据待处理地址与至少一个实体地址的混合距离,从至少一个实体地址中选择待处理地址对应的备选实体地址;
步骤S409,从备选实体地址集中选择一个备选实体地址;
步骤S410,获取该备选实体地址对应的历史地址;
步骤S411,将历史地址与该备选实体地址的混合距离作为有监督数据,将待处理地址与该备选实体地址的混合距离作为无监督数据;
步骤S412,将有监督数据和无监督数据代入预设的聚类算法,计算待处理地址与该备选实体地址的聚类值;
步骤S413,判断是否计算备选实体地址集中每个备选实体地址与待处理地址的聚类值,若是,则执行步骤S414;
步骤S414,从所有聚类值中选择最小值,确定最小值对应的备选实体地址为待处理地址对应的目标实体地址。
上述步骤S403和步骤S404用于计算待处理地址与实体地址库中至少一个实体地址的文本距离,步骤S405和步骤S406用于计算待处理地址与实体地址库中至少一个实体地址的地理距离,本发明实施例文本距离和地理距离的计算顺序可以根据实际情况调整,对比不作限定。
本发明实施例的数据处理技术,能够借助混合距离搜索模型,同时采用地址名称和经纬度数据确定备选实体地址集,替代了现有技术中先选取一层备选集,再得到下一层备选集的方案,提高备选实体地址集的准确性,进而提高目标实体地址的正确性。此外,本发明实施例的数据处理技术方案,在获取到备选实体地址集后,采用半监督学习的聚类算法替代现有技术中的聚类算法,从备选实体地址集中选择出待处理地址对应的目标实体地址,解决现有技术中直接聚类出现的遗漏问题,进一步提高目标实体地址的正确性。
图5是根据本发明实施例的数据处理装置的主要模块的示意图。如图5所示,数据处理装置500的主要模块可以包括:获取模块501、确定模块502和选择模块503。
其中,获取模块501可用于接收地址处理请求,获取待处理地址的地址名称和待处理地址的经纬度数据;确定模块502可用于根据待处理地址的地址名称和待处理地址的经纬度数据,利用混合距离搜索模型确定待处理地址对应的备选实体地址集;选择模块503可用于基于半监督学习的聚类算法,从备选实体地址集中选择待处理地址对应的目标实体地址。
本发明实施例中,确定模块502还可用于:根据待处理地址的地址名称和待处理地址的经纬度数据,利用混合距离搜索模型,确定待处理地址与实体地址库中至少一个实体地址的混合距离;基于预设实体地址筛选条件,根据待处理地址与至少一个实体地址的混合距离,从至少一个实体地址中选择待处理地址对应的备选实体地址。
本发明实施例中,确定模块502还可用于:根据待处理地址的地址名称和至少一个实体地址的地址名称,计算待处理地址与至少一个实体地址的文本距离;根据待处理地址的经纬度数据和至少一个实体地址的经纬度数据,计算待处理地址与至少一个实体地址的地理距离;根据文本距离、地理距离、以及混合距离搜索模型中的模型参数,计算待处理地址与至少一个实体地址的混合距离。
本发明实施例中,确定模块502还可用于:对待处理地址的地址名称进行分词,获得分词地址名称;计算分词地址名称与至少一个实体地址的地址名称的TF-IDF值;确定计算的TF-IDF值为待处理地址与至少一个实体地址的文本距离。
本发明实施例中,确定模块502还可用于:对待处理地址与至少一个实体地址的地理距离进行高斯衰减处理。
本发明实施例中,确定模块502还可用于:获取实体地址库;确定实体地址库中至少一个实体地址的地址名称和至少一个实体地址的经纬度数据。
本发明实施例中,选择模块503还可用于:基于半监督学习的聚类算法,计算待处理地址与备选实体地址集中至少一个备选实体地址的聚类值;从聚类值中选择最小值,确定最小值对应的备选实体地址为待处理地址对应的目标实体地址。
本发明实施例中,确定模块503还可用于:针对备选实体地址集中一个备选实体地址,按照如下方法计算待处理地址与一个备选实体地址的聚类值:获取一个备选实体地址对应的历史地址;将历史地址与一个备选实体地址的混合距离作为有监督数据,将待处理地址与一个备选实体地址的混合距离作为无监督数据,以及利用预设的聚类算法,计算待处理地址与一个备选实体地址的聚类值。
从以上描述可以看出,本发明实施例的数据处理装置能够借助混合距离搜索模型,同时采用地址名称和经纬度数据确定备选实体地址集,替代了现有技术中先选取一层备选集,再得到下一层备选集的方案,提高备选实体地址集的准确性,进而提高目标实体地址的正确性。此外,本发明实施例的数据处理技术方案,在获取到备选实体地址集后,采用半监督学习的聚类算法替代现有技术中的聚类算法,从备选实体地址集中选择出待处理地址对应的目标实体地址,解决现有技术中直接聚类出现的遗漏问题,进一步提高目标实体地址的正确性。
图6示出了可以应用本发明实施例的数据处理方法或数据处理装置的示例性系统架构600。
如图6所示,系统架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的数据处理方法一般由服务器605执行,相应地,数据处理装置一般设置于服务器605中。
应该理解,图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图7,其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括获取模块、确定模块和选择模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,获取模块还可以被描述为“接收地址处理请求,获取待处理地址的地址名称和待处理地址的经纬度数据的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:接收地址处理请求,获取待处理地址的地址名称和待处理地址的经纬度数据;根据待处理地址的地址名称和待处理地址的经纬度数据,利用混合距离搜索模型确定待处理地址对应的备选实体地址集;基于半监督学习的聚类算法,从备选实体地址集中选择待处理地址对应的目标实体地址。
根据本发明实施例的技术方案,能够借助混合距离搜索模型,同时采用地址名称和经纬度数据确定备选实体地址集,替代了现有技术中先选取一层备选集,再得到下一层备选集的方案,提高备选实体地址集的准确性,进而提高目标实体地址的正确性。此外,本发明实施例的数据处理技术方案,在获取到备选实体地址集后,采用半监督学习的聚类算法替代现有技术中的聚类算法,从备选实体地址集中选择出待处理地址对应的目标实体地址,解决现有技术中直接聚类出现的遗漏问题,进一步提高目标实体地址的正确性。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (11)
1.一种数据处理方法,其特征在于,包括:
接收地址处理请求,获取待处理地址的地址名称和所述待处理地址的经纬度数据;
根据所述待处理地址的地址名称和所述待处理地址的经纬度数据,利用混合距离搜索模型确定所述待处理地址对应的备选实体地址集;其中,混合距离搜索模型是利用混合距离搜索出所述待处理地址对应的备选实体地址集的模型,混合距离由文本距离和地理距离组合而成;
基于半监督学习的聚类算法,从所述备选实体地址集中选择所述待处理地址对应的目标实体地址。
2.根据权利要求1所述的方法,其特征在于,所述根据所述待处理地址的地址名称和所述待处理地址的经纬度数据,利用混合距离搜索模型确定所述待处理地址对应的备选实体地址集,包括:
根据所述待处理地址的地址名称和所述待处理地址的经纬度数据,利用混合距离搜索模型,确定所述待处理地址与实体地址库中至少一个实体地址的混合距离;
基于预设实体地址筛选条件,根据所述待处理地址与所述至少一个实体地址的混合距离,从所述至少一个实体地址中选择所述待处理地址对应的备选实体地址。
3.根据权利要求2所述的方法,其特征在于,所述根据所述待处理地址的地址名称和所述待处理地址的经纬度数据,利用混合距离搜索模型,确定所述待处理地址与实体地址库中至少一个实体地址的混合距离,包括:
根据所述待处理地址的地址名称和所述至少一个实体地址的地址名称,计算所述待处理地址与所述至少一个实体地址的文本距离;
根据所述待处理地址的经纬度数据和所述至少一个实体地址的经纬度数据,计算所述待处理地址与所述至少一个实体地址的地理距离;
根据所述文本距离、所述地理距离、以及混合距离搜索模型中的模型参数,计算所述待处理地址与所述至少一个实体地址的混合距离。
4.根据权利要求3所述的方法,其特征在于,所述根据所述待处理地址的地址名称和所述至少一个实体地址的地址名称,计算所述待处理地址与所述至少一个实体地址的文本距离,包括:
对所述待处理地址的地址名称进行分词,获得分词地址名称;
计算所述分词地址名称与所述至少一个实体地址的地址名称的TF-IDF值;
确定计算的TF-IDF值为所述待处理地址与所述至少一个实体地址的文本距离。
5.根据权利要求3所述的方法,其特征在于, 在计算所述待处理地址与所述至少一个实体地址的地理距离之后,所述方法还包括:
对所述待处理地址与所述至少一个实体地址的地理距离进行高斯衰减处理。
6.根据权利要求3所述的方法,其特征在于,在确定所述待处理地址与实体地址库中至少一个实体地址的混合距离之前,所述方法还包括:
获取所述实体地址库;
确定所述实体地址库中所述至少一个实体地址的地址名称和所述至少一个实体地址的经纬度数据。
7.根据权利要求1所述的方法,其特征在于,所述基于半监督学习的聚类算法,从所述备选实体地址集中选择所述待处理地址对应的目标实体地址,包括:
基于半监督学习的聚类算法,计算所述待处理地址与所述备选实体地址集中至少一个备选实体地址的聚类值;
从所述聚类值中选择最小值,确定所述最小值对应的备选实体地址为所述待处理地址对应的目标实体地址。
8.根据权利要求7所述的方法,其特征在于,所述基于半监督学习的聚类算法,计算所述待处理地址与所述备选实体地址集中至少一个备选实体地址的聚类值,包括:
针对所述备选实体地址集中一个备选实体地址,按照如下方法计算所述待处理地址与所述一个备选实体地址的聚类值:
获取所述一个备选实体地址对应的历史地址;
将所述历史地址与所述一个备选实体地址的混合距离作为有监督数据,将所述待处理地址与所述一个备选实体地址的混合距离作为无监督数据,以及利用预设的聚类算法,计算所述待处理地址与所述一个备选实体地址的聚类值。
9.一种数据处理装置,其特征在于,包括:
获取模块,用于接收地址处理请求,获取待处理地址的地址名称和所述待处理地址的经纬度数据;
确定模块,用于根据所述待处理地址的地址名称和所述待处理地址的经纬度数据,利用混合距离搜索模型确定所述待处理地址对应的备选实体地址集;其中,混合距离搜索模型是利用混合距离搜索出所述待处理地址对应的备选实体地址集的模型,混合距离由文本距离和地理距离组合而成;
选择模块,用于基于半监督学习的聚类算法,从所述备选实体地址集中选择所述待处理地址对应的目标实体地址。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
11.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010381334.3A CN113627184B (zh) | 2020-05-08 | 2020-05-08 | 数据处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010381334.3A CN113627184B (zh) | 2020-05-08 | 2020-05-08 | 数据处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627184A CN113627184A (zh) | 2021-11-09 |
CN113627184B true CN113627184B (zh) | 2023-09-26 |
Family
ID=78377200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010381334.3A Active CN113627184B (zh) | 2020-05-08 | 2020-05-08 | 数据处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627184B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107295530A (zh) * | 2017-06-22 | 2017-10-24 | 北京联合大学 | 一种基于半监督聚类的无线小区信息侦测方法 |
CN109284498A (zh) * | 2017-07-20 | 2019-01-29 | 菜鸟智能物流控股有限公司 | 自提柜推荐方法、自提柜推荐装置和电子装置 |
WO2019184463A1 (zh) * | 2018-03-28 | 2019-10-03 | 北京三快在线科技有限公司 | 数据处理 |
CN110532546A (zh) * | 2019-07-29 | 2019-12-03 | 河北远东通信系统工程有限公司 | 一种融合地理位置和文本相似性的警情自动下发方法 |
CN110598791A (zh) * | 2019-09-12 | 2019-12-20 | 深圳前海微众银行股份有限公司 | 地址相似度评价方法、装置、设备及介质 |
CN110647607A (zh) * | 2018-12-29 | 2020-01-03 | 北京奇虎科技有限公司 | 一种基于图片识别的poi数据的验证方法和装置 |
CN110674419A (zh) * | 2019-01-25 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 地理信息检索方法、装置、电子设备及可读存储介质 |
WO2020052338A1 (zh) * | 2018-09-12 | 2020-03-19 | 北京三快在线科技有限公司 | 地址标识及其经纬度挖掘 |
-
2020
- 2020-05-08 CN CN202010381334.3A patent/CN113627184B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107295530A (zh) * | 2017-06-22 | 2017-10-24 | 北京联合大学 | 一种基于半监督聚类的无线小区信息侦测方法 |
CN109284498A (zh) * | 2017-07-20 | 2019-01-29 | 菜鸟智能物流控股有限公司 | 自提柜推荐方法、自提柜推荐装置和电子装置 |
WO2019184463A1 (zh) * | 2018-03-28 | 2019-10-03 | 北京三快在线科技有限公司 | 数据处理 |
WO2020052338A1 (zh) * | 2018-09-12 | 2020-03-19 | 北京三快在线科技有限公司 | 地址标识及其经纬度挖掘 |
CN110647607A (zh) * | 2018-12-29 | 2020-01-03 | 北京奇虎科技有限公司 | 一种基于图片识别的poi数据的验证方法和装置 |
CN110674419A (zh) * | 2019-01-25 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 地理信息检索方法、装置、电子设备及可读存储介质 |
CN110532546A (zh) * | 2019-07-29 | 2019-12-03 | 河北远东通信系统工程有限公司 | 一种融合地理位置和文本相似性的警情自动下发方法 |
CN110598791A (zh) * | 2019-09-12 | 2019-12-20 | 深圳前海微众银行股份有限公司 | 地址相似度评价方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
多元地址要素组合的地址匹配方法;吕欢欢;宋伟东;;测绘科学(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113627184A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108628811B (zh) | 地址文本的匹配方法和装置 | |
CN109697451B (zh) | 相似图像聚类方法及装置、存储介质、电子设备 | |
US11663282B2 (en) | Taxonomy-based system for discovering and annotating geofences from geo-referenced data | |
Xu et al. | A supervoxel approach to the segmentation of individual trees from LiDAR point clouds | |
US11977567B2 (en) | Method of retrieving query, electronic device and medium | |
CN111274341A (zh) | 一种网点选址方法和装置 | |
WO2022105119A1 (zh) | 意图识别模型的训练语料生成方法及其相关设备 | |
CN112395487A (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
CN111522838A (zh) | 地址相似度计算方法及相关装置 | |
CN112860993A (zh) | 兴趣点的分类方法、装置、设备、存储介质及程序产品 | |
CN114780746A (zh) | 基于知识图谱的文档检索方法及其相关设备 | |
CN112506864B (zh) | 文件检索的方法、装置、电子设备及可读存储介质 | |
CN111177719A (zh) | 地址类别判定方法、装置、计算机可读存储介质及设备 | |
CN110598122B (zh) | 社交群体挖掘方法、装置、设备及存储介质 | |
CN104615620A (zh) | 地图搜索类型识别方法及装置、地图搜索方法及系统 | |
CN113627184B (zh) | 数据处理方法和装置 | |
CN109657060B (zh) | 安全生产事故案例推送方法及系统 | |
CN112784600B (zh) | 信息排序方法、装置、电子设备和存储介质 | |
CN114528378A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN110321435B (zh) | 一种数据源划分方法、装置、设备和存储介质 | |
CN109635057B (zh) | 用电业务处理方法、装置、计算机设备和存储介质 | |
CN113779370B (zh) | 一种地址检索方法和装置 | |
CN111767722A (zh) | 一种分词方法和装置 | |
CN111858917A (zh) | 文本分类方法和装置 | |
CN111046894A (zh) | 识别马甲账号的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |