基于规则的中文分词和地址匹配市公开课一等奖百校联赛获奖课件.pptx

基于规则汉字地址分词与匹配方法 计算机技术 第1页研究背景及意义研究背景及意义 伴随地理信息系统（GIS）不停发展和其在各行业广泛应用，人们对信息共享要求也越来越迫切。比如在城市管网、交通导航、工商管理、公共卫生、灾害管理等领域，地理信息系统作为信息共享平台，其应用越来越广泛。城市各行业数据库都保留着大量和地理位置相关非空间数据。不过这些行业建设 GIS 系统并没有足够空间位置数据进行支撑，因为地址数据并不能够批量、准确地转化为空间化信息。这些数据大多都没有空间位置坐标，无法对应到电子地图上，也就无法进行空间分析和管理决议。地址匹配技术正是这一问题处理方法。地址地址匹配匹配技术就是把自然语言描述地理技术就是把自然语言描述地理位置信息转换成地理坐标过程。位置信息转换成地理坐标过程。经过地址匹配技术，能够把城市各个行业非空间信息数据进行空间化，进而利用到 GIS 实际应用中，实现信息集成与数据共享。GIS 比如，baidu地图第2页引入一些地址组成基本概念：(1)地址串：就是普通地址，日常通信地址。比如：青岛市黄岛区前湾港路 579 号。(2)地址要素：组成地址串若干词组，如上面地址就是由 4 个地址要素组成，分别是“青岛市”、“黄岛区”、“前湾港路”和“579 号”，每个地址要素相对独立。(3)地址通名：顾名思义，就是地址要素中通用那些字段。比如：地址要素“黄岛区”中“区”为地址通名，“前湾港路”中“路”为地址通名。(4)地址专名：比如：“黄岛区”中“黄岛”为地址专名。地址要素中去掉地址通名后剩下部分就称为地址专名。第3页 Key technologies on Address matching第4页Standard address model第5页标准地址模型举例第6页汉字分词方法：1.基于字典分词方法 （1）正向最大匹配正向最大匹配法法 （2）逆向最大匹配法 （3）最少切分词方法 （4）逐词遍历法2.基于了解分词方法3.基于统计分词方法在人工智能自然语言处理（NLP）领域也会用到汉字分词技术。第7页正向最大匹配法:它基本思想是：首先创建一个用于自动分词汉字词典，能够得知词典中最长词条汉字个数，假设个数为 n。然后，取待切分句子前 n 个字符作为匹配字段，在分词词典中进行字段查询匹配。假如词典中有这么字段，则匹配成功。这么，由 n个字符组成字段被切分出来，作为一个词。假如词典中不存在这么字段，则匹配失败，将字段末尾去一个汉字，剩下 n-1 个字符作为新字段，再进行匹配，如此重复，直到匹配成功为止。比如句子“我们是中华人民共和国公民”，假设字典最长词长为 7，它正向最大匹配法分词流程以下表 所表示。第8页分词过程实例Process of segmentation第9页标准数据库创建：标准数据库创建：建立地址标准数据库系统是地址匹配前提工作，需要将采集城市地址按照确定标准地址模型标准地址模型进行标准化。在创建标准地址库中，分别存放地址行政区划部分和详细街道地址部分。第10页 汉字地址组成复杂多样，对比标准地址模型，可能存在地址表示不完整、残缺情况。（设定：1道路名，2门牌号，3住宅小区，4楼牌号，5建筑物。）比如地址址武汉市青山区工业一路21号，是1（道路名）+2（门牌号）模式，没有3、4、5三种地址要素。所以需要定义规则方便于后面地址匹配进行。以下表所表示。第11页地址匹配规则树Geocoding rule tree第12页 对于存在语义歧义含糊存在语义歧义含糊地址，能够利用栈存放全部歧义情况，并构建一棵歧义地址树，按照深度优先标准遍历该树，直至查询到满足规则地址统计为止。当查询失败时，能够读取栈中上一层歧义地址继续查询。即使一定程度上加大了查询复杂度，但能够比很好应对歧义含糊地址匹配问题。第13页 比如，地址“江汉墨水湖东侧12号楼B座301室”，首先，行政区划部分应该是“江汉区”，缺乏地址通名“区”；“墨水湖”表述有歧义，可能是墨水湖路，也可能是墨水湖小区；另外，“东侧、B座301室”为多出信息，应该去掉。以此地址为例，算法详细步骤如下：（1）判断字符串中是否存在行政区划。经过搜索标准地址库中行政区划表，查找到“江汉”一词与统计“江汉区”含糊匹配，将其分割出来。（2）对剩下字符串“墨水湖东侧12号楼B座301室”进行地址分词匹配。经过匹配规则树，限定了搜索字段为1（道路名）、3（住宅小区名）、5（建筑物）。调用最大正向匹配算法，查询到“墨水湖”分别与1墨水湖路和3墨水湖小区两个字段含糊匹配，所以产生语义歧义。并将1与3先后入栈，栈顶为3，故先将“墨水湖”匹配到3，查询规则库，没有满足条件规则，故对“东侧12号楼B座301室”继续进行分词匹配。经过规则树，3后面只有4。继续调用最大匹配算法，在标准地址库中4字段中查询剩下子串“东侧12号楼B座301室”，无匹配结果。第14页 故重新选取栈顶元素，将“墨水湖”匹配到1，查询规则库无满足规则，故继续分词匹配。查询规则树并确定备选字段为2、3、4、5。搜寻字符串“东侧12号楼B座301室”，查找到“12号楼”，与4字段有一条匹配统计，将该词记入分词结果词组。此时查询规则库，找到规则三规则三满足条件。分词匹配算法完成。运算结果：对于含糊地址“江汉墨水湖东侧12号楼B座301室”，分词结果为“墨水湖、墨水湖、12号楼号楼”，在标准地址库中找到了地址统计“墨水湖东路墨水湖东路15号号12号楼号楼”。第15页谢谢第16页