一種面向中文非標(biāo)建筑地址標(biāo)準(zhǔn)化的自動匹配方法

鄒恩岑，曾誠，張謙，徐川，朱潤，奚雪峰*

（1.蘇州科技大學(xué)電子與信息工程學(xué)院，江蘇蘇州215009；2.蘇州市虛擬現(xiàn)實智能交互及應(yīng)用技術(shù)重點實驗室，江蘇蘇州215009；3.昆山市公安局情報中心，江蘇蘇州215335）

近年來，隨著我國智慧城市建設(shè)進(jìn)程的快速發(fā)展，門市樓牌的地址信息在應(yīng)用中的重要性日趨突出，尤其在公安業(yè)務(wù)領(lǐng)域[1-2]。然而由于當(dāng)前社會上存在著多樣的地址信息，如自來水公司的用戶登記地址、燃?xì)夤镜挠脩舻怯浀刂贰⒂芯€電視用戶地址、公安被盤查人員登記地址等。從而在包含地址信息的不同數(shù)據(jù)集中，如戶籍地址數(shù)據(jù)、報警地址數(shù)據(jù)、案發(fā)地址數(shù)據(jù)中，出現(xiàn)了多樣性的地址表述，即地址信息表述不唯一。例如，同樣的一個地址，在自來水公司用戶地址中被表述為“千燈美景園34#（原1-14#）604”，在被盤查人員登記地址中可能表述為“江蘇省昆山市千燈鎮(zhèn)美景園34幢604室”，而在戶籍地址中卻表述為“昆山市千燈鎮(zhèn)美景園34幢604室”。

地址信息表述不唯一，導(dǎo)致不同來源的信息無法聯(lián)通、相關(guān)業(yè)務(wù)無法在公安電子地圖上匹配與顯示、情報研判難以深入、發(fā)現(xiàn)重點人員軌跡困難、預(yù)測重大事件成效不顯著、整合數(shù)據(jù)資源不充分等一系列問題。針對上述問題，構(gòu)建一個標(biāo)準(zhǔn)化的地址庫，然后將其他地址統(tǒng)一映射到該標(biāo)準(zhǔn)地址庫中，是一種可行的方法[3]。把上述各類地址定義為“非標(biāo)地址”，把構(gòu)建的標(biāo)準(zhǔn)化地址庫中的地址稱為“標(biāo)準(zhǔn)地址”。

因此，昆山市公安局開展了地址標(biāo)準(zhǔn)化建設(shè)。第一階段已完成90多萬條的公安標(biāo)準(zhǔn)地址庫建設(shè)，但同時來自社會各界采集到的非標(biāo)地址類型達(dá)到2 275種，數(shù)量達(dá)到20億條。如此海量的非標(biāo)地址，如何與標(biāo)準(zhǔn)地址進(jìn)行匹配，存在著以下難點：（1）由于數(shù)據(jù)量大，人工檢索90多萬條數(shù)據(jù)，耗時耗力，可行性差[4]；（2）由于地址之間語義級相似度的存在，無法采用傳統(tǒng)的字符串匹配檢索方式。

針對上述難點，筆者基于哈希映射、詞頻統(tǒng)計及余弦相似理論，提出一種面向中文非標(biāo)建筑地址的標(biāo)準(zhǔn)化自動匹配方法，自動實現(xiàn)非標(biāo)地址與標(biāo)準(zhǔn)地址的匹配映射。

1 相關(guān)工作

目前，在構(gòu)建中文建筑地址庫方面使用的數(shù)據(jù)結(jié)構(gòu)主要有樹形結(jié)構(gòu)和魚型結(jié)構(gòu)等[5]，這些結(jié)構(gòu)可以在一定程度上消除數(shù)據(jù)之間的冗余和強(qiáng)依賴關(guān)系，方便存儲數(shù)據(jù)。在面向中文短文本匹配工作中，為使匹配算法具有較低的空間復(fù)雜度和時間復(fù)雜度，一般采用哈希結(jié)構(gòu)和Tire結(jié)構(gòu)[6-7]；也有研究者使用樹型結(jié)構(gòu)實現(xiàn)具有較高匹配率的算法模型，但模型過于復(fù)雜[8-9]。目前有些應(yīng)用系統(tǒng)，通常使用地址分級和有限狀態(tài)機(jī)驅(qū)動方法[10]，初步解決地址越級跳躍和地址分詞不準(zhǔn)確的問題；使用索引結(jié)構(gòu)與全文搜索[11]，依托開源檢索引擎構(gòu)建地址匹配工具也是常用的方法[12-13]，但系統(tǒng)的識別率嚴(yán)重依賴標(biāo)準(zhǔn)地址庫規(guī)模的大小?；谧匀徽Z言處理技術(shù)，利用大量地址數(shù)據(jù)進(jìn)行模型訓(xùn)練，通過語義理解實現(xiàn)自動匹配，是當(dāng)前人工智能及大數(shù)據(jù)技術(shù)在該領(lǐng)域的探索與嘗試[14-17]。

相似度計算技術(shù)是解決地址匹配問題的關(guān)鍵技術(shù)，目前主要采用如下方法：基于詞形和詞序匹配的方法、基于語義計算的方法、使用語義依存的方法、基于骨架依存樹的方法、基于編輯樹的方法，以及基于模式的方法[18-19]。

2 非標(biāo)地址自動匹配模型

2.1 任務(wù)描述

標(biāo)準(zhǔn)地址是指公安機(jī)關(guān)自己定義的一套具有清晰結(jié)構(gòu)特征的地理編碼，這套編碼中既包含了描述地理位置的地址信息，也包括了該地址信息包含的經(jīng)緯度信息等。非標(biāo)準(zhǔn)地址則是指從社會各界采集來的不具有公安系統(tǒng)規(guī)定的必要組成元素的一類地址。該類地址的典型特征就是人能夠理解和辨識這個地址所標(biāo)識的地理位置，但是這類地址無法直接錄入公安系統(tǒng)進(jìn)行信息整合。

文中主要研究如何將非標(biāo)準(zhǔn)地址準(zhǔn)確高效地映射到標(biāo)準(zhǔn)地址數(shù)據(jù)集中，其實驗數(shù)據(jù)集為：（1）95萬條標(biāo)準(zhǔn)地址樣本集；（2）1.6萬條某自來水公司提供的非標(biāo)準(zhǔn)地址樣本集；（3）1 000條來自其他5個社會機(jī)構(gòu)（公安某部門、某燃?xì)夤疽弧⒛橙細(xì)夤径?、計生委某部門、某有線電視公司）的非標(biāo)地址樣本集。

筆者已采用人工眾包標(biāo)注[20]的方法完成了數(shù)據(jù)集（2）的標(biāo)注，以此作為訓(xùn)練及測試數(shù)據(jù)集。數(shù)據(jù)集（3）用來驗證文中所提出模型的泛化能力。

2.2 模型設(shè)計

地址匹配的實現(xiàn)，輸入為一個非標(biāo)地址，輸出為按相似度從高到低排序的標(biāo)準(zhǔn)地址集合。在大量非標(biāo)地址匹配過程中，采用計算機(jī)輔助方式，可以大幅度提高匹配效率，減少所需人工成本。隨著自動匹配精度與速度的不斷提高，該模型能夠聯(lián)通各非標(biāo)地址系統(tǒng)間的信息孤島，形成順暢的地址搜索網(wǎng)絡(luò)，為各非標(biāo)地址系統(tǒng)間轉(zhuǎn)換和地址統(tǒng)一計算提供重要的基礎(chǔ)支撐[21-22]。

非標(biāo)地址自動匹配主要包含兩大步驟：（1）標(biāo)準(zhǔn)地址建模。將標(biāo)準(zhǔn)地址建立可快速查找的詞典文件，主要結(jié)構(gòu)為哈希結(jié)構(gòu)，供后續(xù)非標(biāo)地址匹配步驟使用。（2）非標(biāo)地址匹配。根據(jù)輸入的非標(biāo)地址，在標(biāo)準(zhǔn)地址模型數(shù)據(jù)中，通過兩級級聯(lián)的哈希查找和相似度匹配方法，找出與其匹配的標(biāo)準(zhǔn)地址。模型框圖如圖1所示。

圖1 非標(biāo)地址自動匹配模型框圖

2.2.1 標(biāo)準(zhǔn)地址建模

標(biāo)準(zhǔn)地址建模的流程分為如下5個步驟：（1）輸入原始標(biāo)準(zhǔn)地址數(shù)據(jù)InSADS；（2）清洗InSADS，去除不必要的數(shù)據(jù)，保留規(guī)范地址數(shù)據(jù)，形成ReInSADS；（3）在ReInSADS數(shù)據(jù)集中提取標(biāo)準(zhǔn)地址關(guān)鍵詞AddressKeyWords；（4）將標(biāo)準(zhǔn)地址轉(zhuǎn)換成詞向量；（5）以標(biāo)準(zhǔn)地址關(guān)鍵詞AddressKeyWords為Key，標(biāo)準(zhǔn)地址詞向量為Value，使用哈希表結(jié)構(gòu)建立標(biāo)準(zhǔn)地址詞典。

2.2.2 非標(biāo)地址匹配

非標(biāo)地址匹配流程分為如下7個步驟：（1）輸入原始非標(biāo)地址數(shù)據(jù)InNSAD；（2）清洗InNSAD，形成ReInNSAD；（3）在ReInNSAD中提取非標(biāo)地址中的關(guān)鍵詞；（4）地址淘選，在標(biāo)準(zhǔn)地址詞典中通過非標(biāo)地址關(guān)鍵詞查找標(biāo)準(zhǔn)地址數(shù)據(jù)，形成候選標(biāo)準(zhǔn)地址子集CandSubSADS；（5）將淘選后的標(biāo)準(zhǔn)地址集CandSubSADS及非標(biāo)地址ReInNSAD分別轉(zhuǎn)換成詞向量EMofCandSubSADS和EMofReInNSAD；（6）非標(biāo)地址詞向量與淘選后的標(biāo)準(zhǔn)地址集中的詞向量逐一進(jìn)行相似度計算；（7）篩選出與非標(biāo)地址最相似的一組標(biāo)準(zhǔn)地址，按照相似度由高到低排序輸出結(jié)果集合SResult。

3 數(shù)據(jù)結(jié)構(gòu)與算法描述

3.1 構(gòu)建哈希標(biāo)準(zhǔn)地址詞典

哈希標(biāo)準(zhǔn)地址詞典由哈希表構(gòu)成，提取標(biāo)準(zhǔn)地址的關(guān)鍵詞作為哈希表的Key，標(biāo)準(zhǔn)地址詞向量的數(shù)組表作為哈希表的Value，詞典數(shù)據(jù)結(jié)構(gòu)如圖2所示。

圖2 哈希標(biāo)準(zhǔn)地址詞典數(shù)據(jù)結(jié)構(gòu)示意圖

3.1.1 標(biāo)準(zhǔn)地址關(guān)鍵詞提取

文中設(shè)計了兩種標(biāo)準(zhǔn)地址關(guān)鍵詞提取方法：一種是經(jīng)驗法；另一種是詞頻法。

經(jīng)驗法使用經(jīng)驗法提取關(guān)鍵詞，并實現(xiàn)匹配的啟發(fā)式規(guī)則如下：（1）提取“鎮(zhèn)”字后面的2個字作為關(guān)鍵詞，例如，在地址“昆山市玉山鎮(zhèn)柏廬南路1126號”中，提取“柏廬”作為關(guān)鍵詞；（2）提取“鎮(zhèn)”字后面的3個字作為關(guān)鍵詞，例如，在地址“昆山市玉山鎮(zhèn)柏廬南路1126號”中，提取“柏廬南”作為關(guān)鍵詞；（3）提取“鎮(zhèn)”字后第3個位置到第5個位置作為關(guān)鍵詞，例如，在地址“昆山市玉山鎮(zhèn)柏廬南路1126號”中，提取“南路”作為關(guān)鍵詞。

詞頻法使用詞頻法提取關(guān)鍵詞，為關(guān)鍵詞查找提供匹配規(guī)則的算法步驟如下：（1）統(tǒng)計標(biāo)準(zhǔn)地址庫，按步長1、窗長2切割所有詞的頻率。（2）按照一定規(guī)則去除某些頻率的詞，并構(gòu)建關(guān)鍵詞。例如，每個標(biāo)準(zhǔn)地址中都有“昆山”一詞，出現(xiàn)頻率為915 407次，“單元”一詞出現(xiàn)136 266次，“新村”一詞出現(xiàn)121 286次。這些高頻詞無法表示標(biāo)準(zhǔn)地址的關(guān)鍵特征，因此，需要去除。與此類似，有些包含數(shù)字或帶有特殊字符的詞，也同樣需要去除。

3.1.2 詞向量切分

為了計算地址之間的相似度，需先將地址轉(zhuǎn)換成詞向量。文中選擇使用步長為1、窗長為2的詞向量切分法來分割地址字符串，切割出的兩字字符串作為向量的基，每切割出一次基字符串，就在向量的這一維上增加一，以此構(gòu)成詞向量。

例如：地址“昆山市玉山鎮(zhèn)柏廬南路1126號”中，分割后的詞向量的基集合為U={昆山，山市，市玉，玉山，山鎮(zhèn)，鎮(zhèn)柏，柏廬，廬南，南路，路1，11，12，26，6號，號}，用該集合表示的向量共有15個維度。

構(gòu)成的詞向量和所對應(yīng)的基為：（1，1，1，1，1，1，1，1，1，1，1，1，1，1，1）；（昆山，山市，市玉，玉山，山鎮(zhèn)，鎮(zhèn)柏，柏廬，廬南，南路，路1，11，12，26，6號，號）。

3.1.3 插入標(biāo)準(zhǔn)地址詞典

詞典由哈希表構(gòu)成，系統(tǒng)將提取的關(guān)鍵詞作為Key，包含關(guān)鍵詞信息的整條地址詞向量數(shù)組表ArrayList作為Value，加入到哈希表中。若新加入的地址和已存在的Key-Value具有相同的Key，則在Value中的ArrayList尾部添加新的地址的詞向量，形成如圖2所示的地址詞典結(jié)構(gòu)。

3.2 地址淘選

地址淘選是將原先1個非標(biāo)地址與95萬的標(biāo)準(zhǔn)地址匹配的問題，通過計算機(jī)輔助縮小為1個非標(biāo)地址與數(shù)萬個標(biāo)準(zhǔn)地址匹配的問題。

3.2.1 經(jīng)驗淘選法

文中所使用的經(jīng)驗淘選方法步驟如下：

（1）地址淘選模塊會提取非標(biāo)地址的前兩個字作為關(guān)鍵詞，淘選子模塊查詢標(biāo)準(zhǔn)地址詞典得到淘選地址數(shù)據(jù)集。

（2）如果得到的數(shù)據(jù)集數(shù)量不為空且小于15 000，則轉(zhuǎn)向步驟（3）。如果得到的數(shù)據(jù)集數(shù)量大于15 000或數(shù)據(jù)集為空，則跳過地址的第一個字，利用步長1、窗長2的字符切分法分割地址字符串作為關(guān)鍵詞，利用這些關(guān)鍵詞查找標(biāo)準(zhǔn)地址詞典，得到多個淘選地址數(shù)據(jù)集。該步驟中15 000是依據(jù)標(biāo)準(zhǔn)地址庫中地址數(shù)量和經(jīng)驗淘選算法的特點，經(jīng)過程序調(diào)試給出的一個在保證準(zhǔn)確率情況下，冗余計算較少、計算速度較快的經(jīng)驗參數(shù)值。

（3）使用前三個字作為關(guān)鍵詞查詢標(biāo)準(zhǔn)地址詞典得到淘選地址數(shù)據(jù)集。

（4）在得到的多個淘選地址數(shù)據(jù)集中選擇包含地址數(shù)目最小的非空地址集，輸出作為淘選結(jié)果地址集。

3.2.2 詞頻淘選法

文中所使用的詞頻淘選方法步驟如下：

（1）地址淘選模塊會以步長為1、窗長為2的詞向量切分法來分割非標(biāo)地址字符串作為關(guān)鍵詞。

（2）查找關(guān)鍵詞的詞頻，如果數(shù)量大于45 000，則跳過該關(guān)鍵詞，查找下一關(guān)鍵詞。如果詞頻數(shù)量小于45 000，則添加字典中關(guān)聯(lián)該關(guān)鍵詞的所有地址到地址候選集中。該步驟中45 000是依據(jù)標(biāo)準(zhǔn)地址庫中地址數(shù)量和詞頻淘選算法的工程特點，給出的一個限定計算規(guī)模、減少冗余計算的參數(shù)值，用于提高計算速度，該參數(shù)值在設(shè)置成大于等于45 000的數(shù)值情況下雖不會影響計算準(zhǔn)確率，但增加了冗余計算，降低了計算速度。

（3）若有多個關(guān)鍵詞滿足條件，則添加多個候選地址集，并對這些地址集做合并操作。

（4）得到所有關(guān)鍵詞所對應(yīng)的地址候選集并集，即為詞頻淘選法得到的地址集。

3.3 非標(biāo)地址與標(biāo)準(zhǔn)地址相似度計算

3.3.1 共同向量空間的轉(zhuǎn)換

以非標(biāo)地址字符串分割后的詞向量記為向量a，標(biāo)準(zhǔn)地址分割后的詞向量記為b，a和b由于各自的基不同，所在的向量空間不同，需要換算至相同的向量空間。模塊程序提取a和b兩向量基的并集，構(gòu)成合并基，將a、b兩向量轉(zhuǎn)換到合并基所組成的新的合并向量空間中。

設(shè)向量a基的集合為：A={a1，a2，…，ai，c1，c2，…，ck}，其中，a1至ai表示向量a獨有的基集合，c1至ck表示向量a和向量b所共有的基集合。

向量b基的集合為：B={b1，b2，…，bj，c1，c2，…，ck}，其中，b1至bj表示向量b獨有的基集合，c1至ck表示向量a和向量b所共有的基集合。

則a與b的合并基集合為：C=A∪B={a1，a2，…，ai，b1，b2，…，bj，c1，c2，…，ck}。

例如，非標(biāo)地址“柏廬南路1126#”的基集合為：A={柏廬，廬南，南路，路1，11，12，26，6#，#}；標(biāo)準(zhǔn)地址“昆山市玉山鎮(zhèn)柏廬南路1126號”基的集合為：B={昆山，山市，市玉，玉山，山鎮(zhèn)，鎮(zhèn)柏，柏廬，廬南，南路，路1，11，12，26，6號，號}。對上述兩組集合取并集，得到的合并基為：C={昆山，山市，市玉，玉山，山鎮(zhèn)，鎮(zhèn)柏，柏廬，廬南，南路，路1，11，12，26，6號，號，6#，#}，合并基后用該集合表示的向量共有17個維度。

非標(biāo)地址“柏廬南路1126#”變換為合并基后的詞向量和對應(yīng)的基為：a=（0，0，0，0，0，0，1，1，1，1，1，1，1，0，0，1，1），（昆山，山市，市玉，玉山，山鎮(zhèn)，鎮(zhèn)柏，柏廬，廬南，南路，路1，11，12，26，6號，號，6#，#）。

地址“昆山市玉山鎮(zhèn)柏廬南路1126號”變換為共同基后的詞向量和對應(yīng)的基為：b=（1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，0，0），（昆山，山市，市玉，玉山，山鎮(zhèn)，鎮(zhèn)柏，柏廬，廬南，南路，路1，11，12，26，6號，號，6#，#）。

3.3.2 余弦相似度計算

非標(biāo)地址詞向量a與標(biāo)準(zhǔn)地址詞向量b之間使用余弦相似公式計算相似度

記向量a=（x1，x2，…，xn），向量b=（y1，y2，…，yn），代入公式（1），得到a與b之間的余弦相似度

3.3.3 相似度混合方法

非標(biāo)地址與多個標(biāo)準(zhǔn)地址之間的相似度經(jīng)過計算后排序輸出，理論上相似度最高的組合對（非標(biāo)地址，標(biāo)準(zhǔn)地址）即是所求的最優(yōu)解，但有時候并非如此。例如：與非標(biāo)地址“震川東路3#401（原A幢）”匹配的多個標(biāo)準(zhǔn)地址，它們相似度相同，均以“昆山市玉山鎮(zhèn)震川東路商住小區(qū)”起頭，后半部分分別為“5幢401室”、“6幢401室”，“1幢401室”、“2幢401室”、“4幢401室”和“3幢401室”。在這組相似度相同的標(biāo)準(zhǔn)地址中，順序會被隨機(jī)排列，而最優(yōu)解“昆山市玉山鎮(zhèn)震川東路商住小區(qū)3幢401室”被排在了第六號位置上。

為了讓最優(yōu)解能夠排名靠前，系統(tǒng)將非標(biāo)地址與標(biāo)準(zhǔn)地址中的數(shù)字作為關(guān)鍵詞單獨抽出計算相似度，以一定合適的比例與前面計算所得的地址相似度聯(lián)合加權(quán)，得到最終準(zhǔn)確結(jié)果。

4 實驗

4.1 實驗準(zhǔn)備

4.1.1 數(shù)據(jù)集

實驗使用某自來水公司非標(biāo)準(zhǔn)地址數(shù)據(jù)集16 682條（采用眾包技術(shù)實現(xiàn)人工標(biāo)注匹配）；標(biāo)準(zhǔn)地址數(shù)據(jù)集953 510條；來自5個社會機(jī)構(gòu)的泛化非標(biāo)地址數(shù)據(jù)1 000條（同樣采用眾包技術(shù)實現(xiàn)人工標(biāo)注匹配）。

非標(biāo)地址的數(shù)據(jù)格式即為非標(biāo)地址字符串，典型的非標(biāo)地址數(shù)據(jù)如下所示：

柏廬南路1126#

錦景園63#（原1-18）404

千燈美景園6#（原3-15#）204

新陽廣場店面北5（有家床上品）

北門路1014-302#（原永盛廣場B1區(qū)A外街南）（廁所）

典型的標(biāo)準(zhǔn)地址格式由地址索引碼、地址字符串和經(jīng)緯度等信息組成，如下所示：

“416F8B2A488741E7A87976662556C1BC”，“昆山市玉山鎮(zhèn)柏廬南路1126號”，“KUSYSZBLNL”，“120.9613000”，“31.3703500”，“320583”，“168B61105BC84D77975300FAD141929D”，“”，“”，“0”，“0”，“20-2月-12 10.57.01.109000上午”，“1126”，“1”，“0”。

人工標(biāo)注匹配地址數(shù)據(jù)集描述了淘選基礎(chǔ)上非標(biāo)地址與標(biāo)準(zhǔn)地址的人工查找和觀察對應(yīng)關(guān)系，地址中“ ”符號為制表分隔符，如下所示：

震川中路2#底車庫12室 其他

中華園15#405 昆山市玉山鎮(zhèn)中華園15幢405室

富陽新村29#704（原604） 昆山市玉山鎮(zhèn)富陽新村29幢704室

4.1.2 實驗工具與環(huán)境

非標(biāo)地址自動匹配系統(tǒng)采用Java語言設(shè)計與開發(fā)，系統(tǒng)包含四個程序包，分別為：數(shù)據(jù)清洗工具程序包dataClean、地址自動匹配程序包addressSim、數(shù)據(jù)結(jié)果驗證工具包addressCheck和常用封裝庫程序包lib。

數(shù)據(jù)清洗工具程序包dataClean用于提供清洗標(biāo)準(zhǔn)地址的子模塊程序；地址自動匹配程序包addressSim提供了標(biāo)準(zhǔn)地址建模模塊和非標(biāo)地址匹配模塊；數(shù)據(jù)結(jié)果驗證工具包addressCheck用于驗證匹配結(jié)果是否正確；常用封裝庫程序包lib提供了常用的文件I/O、二元組數(shù)據(jù)結(jié)構(gòu)和二元組比較器等常用自制程序庫。

實驗硬件環(huán)境：文中使用計算服務(wù)器為8核Intel Xeon E5-2640 V2，2.00GHz處理器，128G內(nèi)存。軟件配置為Ubuntu 16.04 LTS，Java JDK 1.8.0。

4.2 評價指標(biāo)

文中實驗共設(shè)置計算速度和匹配準(zhǔn)確性兩類指標(biāo)，其中速度指標(biāo)由標(biāo)準(zhǔn)地址數(shù)量、查找次數(shù)和查找時間反映，準(zhǔn)確性指標(biāo)由準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）和F1值反映。

實驗的計算速度中的標(biāo)準(zhǔn)地址數(shù)量指的是模型所構(gòu)建的標(biāo)準(zhǔn)地址詞典中的地址數(shù)量；查找次數(shù)表示需自動匹配的非標(biāo)地址總數(shù)量；查找時間表示自動匹配所有非標(biāo)地址的總時間。

實驗的準(zhǔn)確性指標(biāo)計算方法如下所示：在非標(biāo)地址匹配中，設(shè)TP為模塊匹配正確的地址數(shù)量，設(shè)FP為模塊匹配錯誤的地址數(shù)量，設(shè)TN為模塊找到的匹配地址在實際情況下無標(biāo)準(zhǔn)地址，設(shè)FN為0。

準(zhǔn)確率計算公式

精確率計算公式

召回率計算公式

F1計算公式

4.3 實驗設(shè)計

文中實驗分為四類：（1）系統(tǒng)運行速度指標(biāo)實驗。該實驗在系統(tǒng)中編寫了時間戳程序，以計算時間差的方法獲取模塊運行時間。由于系統(tǒng)運行時間易受到計算機(jī)軟硬件環(huán)境等其他因素影響，該實驗使用多次運行取平均值方法確定時間。（2）地址淘選算法準(zhǔn)確性實驗。該實驗用于評價淘選工作是否將非標(biāo)地址自動匹配的計算空間縮小了范圍并仍使標(biāo)準(zhǔn)答案處于縮小后的計算空間中。該實驗中設(shè)縮小范圍后的搜索關(guān)鍵詞仍在結(jié)果中的計算次數(shù)為TP；設(shè)縮小范圍后搜索關(guān)鍵詞丟失的計算次數(shù)為FP；設(shè)原地址在字典中無關(guān)鍵詞的計算次數(shù)為TN，設(shè)FN為0。（3）系統(tǒng)整體自動匹配準(zhǔn)確性實驗。該實驗在淘選實驗完成之后，使用某自來水公司非標(biāo)地址數(shù)據(jù)集，將系統(tǒng)整體自動匹配的計算結(jié)果與人工標(biāo)注答案比較，得出實驗結(jié)果。該實驗中假設(shè)與人工標(biāo)注的正確標(biāo)準(zhǔn)地址一致的非標(biāo)地址數(shù)量為TP，與人工標(biāo)注的正確標(biāo)準(zhǔn)地址不一致的非標(biāo)地址數(shù)量為FP。假設(shè)人工標(biāo)注中無正確答案的非標(biāo)地址數(shù)量為TN，該實驗中不設(shè)置將無正確答案地址做自動匹配，設(shè)FN為0。文中系統(tǒng)使用一級算法與二級算法組合的方法，設(shè)計了四組對比實驗。（4）系統(tǒng)整體自動匹配泛化能力準(zhǔn)確性測試實驗。該實驗在淘選實驗完成之后，使用來自5個社會機(jī)構(gòu)的泛化非標(biāo)地址數(shù)據(jù)集，將系統(tǒng)整體自動匹配的計算結(jié)果與人工標(biāo)注答案比較，得出實驗結(jié)果。該實驗分為四組，參數(shù)、實驗方法與實驗（3）相同。用于驗證匹配方法的泛化能力。

4.4 實驗結(jié)果

各項實驗經(jīng)過調(diào)試運行得到結(jié)果。系統(tǒng)運行速度指標(biāo)實驗結(jié)果見表1。地址淘選準(zhǔn)確性實驗結(jié)果見表2。系統(tǒng)整體自動匹配準(zhǔn)確性度量指標(biāo)實驗結(jié)果見表3。系統(tǒng)整體自動匹配泛化能力準(zhǔn)確性測試指標(biāo)見表4。

表1 系統(tǒng)運行速度指標(biāo)

表2 地址淘選算法準(zhǔn)確性度量指標(biāo)（自來水公司非標(biāo)地址數(shù)據(jù)集）

表3 系統(tǒng)整體自動匹配準(zhǔn)確性度量指標(biāo)（自來水公司非標(biāo)地址數(shù)據(jù)集）

表4 系統(tǒng)整體自動匹配泛化能力準(zhǔn)確性度量指標(biāo)（拓展到五類來自其他機(jī)構(gòu)的非標(biāo)地址數(shù)據(jù)集）

5 討論與分析

5.1 系統(tǒng)運行速度指標(biāo)分析

由表1可知，在查找總時間方面，方法一為38 368 s，該方法在五種方法中最耗時，主要原因是因為使用了詞頻淘選法。該淘選方法相比經(jīng)驗淘選法，犧牲了大量淘選結(jié)果空間來提高淘選準(zhǔn)確率，在淘選步驟后的余弦相似計算也需計算更多的候選項，因此，會耗時更多，約2 s才能匹配一個非標(biāo)地址。

方法二在方法一的基礎(chǔ)上，加入了多線程技術(shù)，使用20線程同時計算地址匹配數(shù)據(jù)，因此，統(tǒng)計的耗時縮短為2 126 s。

方法三與方法四的1.6萬非標(biāo)地址匹配時間均為12 min左右，說明這兩類方法每秒可為約23條非標(biāo)地址提供自動匹配。方法三的查找時間為734 s，比方法四使用的時間725 s多了9 s左右，原因是方法三添加了余弦相似的混合方法，因此,計算量增加。方法五的查找時間為587 s，小于方法四所用時間，其實質(zhì)是因為減小窗長引起了向量空間維度的重疊，將原本應(yīng)屬于不同維度的向量基合并到了一起；向量空間維度的降低使得查找范圍縮小，查找時間縮短，但嚴(yán)重降低了準(zhǔn)確率和精確率。

5.2 面向自來水公司非標(biāo)地址淘選算法準(zhǔn)確性度量指標(biāo)分析

由表2可知，面向自來水公司非標(biāo)地址的經(jīng)驗淘選法其準(zhǔn)確率、精確率和F1值分別為99.57%、99.43%和99.72%，表明基于經(jīng)驗的地址淘選方法具有較高的準(zhǔn)確性。而單個關(guān)鍵詞對應(yīng)最大地址數(shù)為15 000，表示通過對非標(biāo)地址的一個關(guān)鍵詞查找后，可以將95萬條待選標(biāo)準(zhǔn)地址縮小到15 000以內(nèi)，理想情況下，單關(guān)鍵詞查找范圍至少縮小了63倍。

由于經(jīng)驗淘選法在縮小查找范圍時丟失了部分的正確匹配項，在系統(tǒng)地址匹配環(huán)節(jié)行引入了誤差，因此設(shè)計詞頻淘選法，該方法能夠在淘選時保留所有正確匹配項。相比經(jīng)驗淘選法，詞頻方法擴(kuò)大了結(jié)果的查找范圍，但仍具有一定的縮小查找范圍的能力。由于保留了所有正確匹配項，詞頻淘選法的準(zhǔn)確率、精確率、召回率和F1值均為100%。而單個關(guān)鍵詞對應(yīng)最大地址數(shù)為45 000，表示通過對非標(biāo)地址的一個關(guān)鍵詞查找后，可以將95萬條待選標(biāo)準(zhǔn)地址縮小到45 000以內(nèi)，理想情況下，單關(guān)鍵詞查找范圍至少縮小了21倍。

5.3 面向自來水公司非標(biāo)地址的系統(tǒng)整體自動匹配準(zhǔn)確性度量指標(biāo)

方法一：以詞頻淘選法為基礎(chǔ)，使用步長為1、窗長為2的詞向量切割方法搭配余弦相似算法和余弦相似混合方法，所得結(jié)果的準(zhǔn)確率和精確率分別為97.95%和97.35%。方法二未使用方法一中的淘選方法，改用經(jīng)驗淘選法，其他與方法一相同，所得結(jié)果準(zhǔn)確率和精確率分別為98.32%和97.82%；方法二對比方法三，由于加入了余弦相似混合算法，準(zhǔn)確率提高了8.26%，精確率提高了10.66%，改進(jìn)明顯。

方法三：以經(jīng)驗淘選法為基礎(chǔ)，使用步長為1、窗長為2的詞向量切割方法搭配余弦相似算法，所得結(jié)果的準(zhǔn)確率和精確率分別為90.06%和87.16%。對比方法四：步長為1、窗長為1的計算方法的準(zhǔn)確率和精確率為42.85%和26.15%，可知增加詞向量切割窗長可大幅提高準(zhǔn)確率和精確率。窗長為1時計算兩個詞向量的相似度，原本應(yīng)為不同維度的向量基互相產(chǎn)生重疊，使得向量空間的維度減少，最終導(dǎo)致準(zhǔn)確度和精確度嚴(yán)重下降。而方法一增加一個窗長長度，使得向量空間的各向量基保持在自己的維度上，不會互相重疊和影響，因而能得到較高的準(zhǔn)確率和精確率。方法三的F1值為93.13%說明該相似度計算方法具有一定的可用性，而方法四的F1值僅為41.46%，說明該參數(shù)的相似度計算方法可用性很低。

5.4 系統(tǒng)整體自動匹配泛化能力準(zhǔn)確性測試指標(biāo)

由表4可知，在拓展到五類非自來水公司機(jī)構(gòu)提供的非標(biāo)地址數(shù)據(jù)集上實驗時，除了采用詞頻理論的方法一能夠保持性能穩(wěn)定，F(xiàn)1值達(dá)到98.33%之外，表中其他采用經(jīng)驗法的各項方法性能指標(biāo)與表3相比顯著下降。說明這些方法泛化能力不佳，可能存在過擬合現(xiàn)象；而方法一在某自來水廠提供的非標(biāo)準(zhǔn)地址和其他5個社會機(jī)構(gòu)地址的表現(xiàn)和性能一致，說明基于詞頻理論的算法具有良好的準(zhǔn)確性和泛化能力。

6 結(jié)語

文中提出了一種建筑非標(biāo)地址標(biāo)準(zhǔn)化自動匹配模型，主要包括標(biāo)準(zhǔn)地址建模和非標(biāo)地址匹配兩個步驟；使用標(biāo)準(zhǔn)地址詞典、地址淘選、地址相似度計算等方法，完成非標(biāo)地址與標(biāo)準(zhǔn)地址的匹配。實驗結(jié)果表明，基于詞頻理論所構(gòu)建模型在準(zhǔn)確率和泛化能力方面表現(xiàn)突出，已經(jīng)能夠達(dá)到實用要求；但計算速度還有待提高。下一步研究方向：（1）將模型實現(xiàn)移植到高性能云計算平臺，采用分布式計算架構(gòu)，提高模型計算速度，為實戰(zhàn)應(yīng)用提供基礎(chǔ)支撐；（2）將深度學(xué)習(xí)方法引入到地址匹配過程中，提升非標(biāo)地址語義級別的處理性能。