[發明專利]基于simhash的地址解析方法及系統

在審

• 申請號: 202011050235.3
• 申請日: 2020-09-29
• 公開（公告）號: CN112287671A
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 張江日;李明亮
• 申請（專利權）人: 深圳市跨越新科技有限公司
• 主分類號: G06F40/242
• 分類號: G06F40/242;G06F40/284;G06F40/289;G06F16/29;G06Q10/08
• 代理公司: 深圳國新南方知識產權代理有限公司 44374
• 代理人: 周雷

1.一種基于simhash的地址解析方法，其特征在于，包括：

S1、將獲取到的待解析地址根據預先構建的分詞字典進行分詞處理，得到至少一個待解析地址文本詞條；

S2、將所述各待解析地址文本詞條與預先構建的地址索引中的樣本地址文本詞條逐一進行精確匹配，若匹配到完全一致的地址，則輸出該地址對應的經緯度信息作為解析結果，若否，執行步驟S3；

S3、計算所述各待解析地址文本詞條的simhash值；

S4、按照地址文本詞條層級從大到小，逐一將該各待解析地址文本詞條的simhash值與地址索引中的樣本地址文本詞條的simhash值進行匹配，得到至少一個滿足預設條件的樣本地址文本詞條；

S5、將地址層級最小的樣本地址文本詞條對應的經緯度信息作為解析結果。

2.根據權利要求1所述的基于simhash的地址解析方法，其特征在于，步驟S3包括：

S31、分別逐一將各待解析地址文本詞條劃分成地址塊和地址關鍵詞，并按照預設權重值規則確定每個地址塊和地址關鍵詞的權重值；

S32、通過hash算法計算出每個地址塊和地址關鍵詞的hash值；

S33、將每個地址塊和地址關鍵詞的hash值中為1的數值與對應的權重值正相乘，將每個地址塊和地址關鍵詞的hash值中為0的數值與對應的權重值負相乘；

S34、將所有地址塊和地址關鍵詞計算后得到的數字序列按位對應進行累加，得到數字字符串；

S35、將所述數字字符串中大于0的數值替換為1、小于0的數值替換為0，得到所述各地址文本詞條的simhash值。

3.根據權利要求2所述的基于simhash的地址解析方法，其特征在于，所述預先構建的地址索引通過如下步驟得到：

將預先準備的樣本地址根據分詞字典切分為多個樣本地址文本詞條；

計算每個樣本地址文本詞條的simhash值，并為每個樣本地址文本詞條分配相應的地址層級、行政區劃歸屬、行政區劃編碼、經緯度信息；

將樣本地址文本詞條的simhash值、地址層級、行政區劃歸屬、行政區劃編碼、經緯度信息作為樣本地址文本詞條的屬性，與樣本地址本文詞條共同組成地址索引。

4.根據權利要求2所述的基于simhash的地址解析方法，其特征在于，所述步驟S4，包括：

S41、按照地址文本詞條層級從大到小，逐一計算所述各待解析地址文本詞條的simhash值與地址索引中樣本地址文本詞條的simhash值的海明距離；

S42、當所述海明距離小于所述預設閾值時，則該樣本地址文本詞條滿足預設條件；

重復執行S41-S42的步驟，得到至少一個滿足預設條件的樣本地址文本詞條。

5.根據權利要求1所述的基于simhash的地址解析方法，其特征在于，所述步驟S5之后，還包括：

S6、判斷待解析地址文本詞條是否全部匹配到地址索引中的樣本地址文本詞條；

S7、若否，則輸出解析結果的同時，標注出該經緯度信息對應的樣本地址文本詞條的地址層級。

6.一種基于simhash的地址解析系統，其特征在于，包括：

分詞模塊，用于將獲取到的待解析地址根據預先構建的分詞字典進行分詞處理，得到至少一個待解析地址文本詞條；

第一匹配模塊，用于將所述各待解析地址文本詞條與預先構建的地址索引中的樣本地址文本詞條逐一進行精確匹配，若匹配到完全一致的地址，則輸出該地址對應的經緯度信息；

計算模塊，用于當精確匹配未匹配到完全一致的地址時，計算所述各待解析地址文本詞條的simhash值；

第二匹配模塊，按照地址文本詞條層級從大到小，逐一將該各待解析地址文本詞條的simhash值與地址索引中的樣本地址文本詞條的simhash值進行匹配，得到至少一個滿足預設條件的樣本地址文本詞條；

結果輸出模塊，用于將地址層級最小的樣本地址文本詞條對應的經緯度信息或第一匹配模塊輸出的經緯度信息作為解析結果。