[發明專利]數據清理和標準化以及地理編碼方法

有效

• 申請號: 201480051206.5
• 申請日: 2014-08-14
• 公開（公告）號: CN105580003B
• 公開（公告）日: 2019-01-25
• 發明（設計）人: 伊高爾·羅伊特布拉特;喬納森·霍爾丹
• 申請（專利權）人: 快捷四通有限公司
• 主分類號: G06F17/20
• 分類號: G06F17/20;G06F16/29;G06F5/00;G09B29/10
• 代理公司: 北京英賽嘉華知識產權代理有限責任公司 11204
• 代理人: 王達佐;王艷春

1.一種通過計算裝置執行的方法，所述計算裝置包括處理器和用于存儲可執行指令的存儲器，所述處理器執行所述指令以實施所述方法，所述方法包括：

接收字符的兩個多片段集合，所述字符的兩個多片段集合中的每個包括多個片段，所述片段中的每個包括格式；

通過以下操作清理字符的兩個多片段集合中的每個:

如果片段的格式未處于標準化格式，將字符的多片段集合的多個片段中的片段轉化成標準化格式；以及

通過根據轉化的片段和未轉化的片段建立字符的連續字符串，將所述字符的兩個多片段集合中的每個縮?。灰约?/p>

利用字符的清理后的多片段集合計算距離分數，所述距離分數表示所述字符的清理后的多片段集合中的字符之間的差異。

2.根據權利要求1所述的方法，其中所述清理還包括將非字母數字字符從所述多個片段中除去。

3.根據權利要求1所述的方法，其中所述清理還包括對于所述多個片段中的每個將大寫字符轉化成小寫字符。

4.根據權利要求1所述的方法，其中所述多個片段中的至少一個為第一語言，并且所述多個片段中的至少一個為第二語言。

5.根據權利要求1所述的方法，其中計算所述距離分數包括計算用于所述字符的清理后的多片段集合的編輯距離。

6.根據權利要求5所述的方法，其中計算所述距離分數包括計算用于所述字符的清理后的多片段集合的標準化編輯距離NLD，其中所述標準化編輯距離利用下式計算：

NLD＝1-(LD¹-abs([LS¹]-[LS²]))/min([LD¹],[LS²]),

其中LS¹是所述字符的清理后的多片段集合中的第一字符串的長度，LS²是所述字符的清理后的多片段集合中的第二字符串的長度，并且LD¹是所述字符的清理后的多片段集合的編輯距離。

7.根據權利要求6所述的方法，進一步包括將所述NLD轉化成百分比分數。

8.根據權利要求1所述的方法還包括：

通過以下操作根據所述字符的兩個多片段集合中的第一多片段集合建立字符的多個置換的多片段集合：

將所述字符的兩個多片段集合中的所述第一多片段集合的多個片段中的片段的字符重新排序，以建立置換的片段；

清理字符的成對的多片段集合，其中所述字符的成對的多片段集合包括所述多個置換的多片段集合與所述字符的兩個多片段中的第二多片段集合的各種組合；

計算用于所述字符的成對的多片段集合的標準化編輯距離。