【技术实现步骤摘要】
人为填写的地址文本相似度处理方法和系统
[0001]本申请为2018年4月10日提交的申请号为CN201810316265.0、公开号CN108536657A、专利技术名称为“人为填写的地址文本相似度处理方法和系统”的分案申请。
[0002]本专利技术涉及电子
,特别是一种人为填写的地址文本相似度处理方法和系统。
技术介绍
[0003]地址是用于邮寄各种物品必不可少的环节,随着快递业和电商的发展,现在社会通过邮寄的方式输送的各种文件和商品已经成为了人们生活中不可或缺的一部分。同时地址不仅仅是邮寄各种物品的重要环节,还在进行用户画像时具有非常重要的意义。在进行用户画像时,地址数据以及地址周边环境数据的重要程度非常高。在贷款前审批、贷款后失联修复、反欺诈等领域,地址数据在进行统计建模或数据挖掘过程中都起到非常重要的作用。
[0004]在电子化填写地址时,可以通过地址数据匹配的方式引导使用者完善地址数据。但是在手填地址时,由于人工填写具有很大的随意性,很容易导致地址缺失或错误。由于地址填写是给快递员看的,这就给用户填写地址时带来很大的随意性。这种随意性人类很容易辨别,但是计算机却无能为力;而如何能够使得计算机在海量数据中识别非格式化的地址并进行后续的相应操作一直是数据处理、数据挖掘领域的关注要点。对于计算机来说地址就是一串字符串,而确定不同字符串之间的相似度以进行地址相似度度量是非常重要的环节。现有的方法主要包括:
[0005]1、夹角余弦法:
[0006]该方法是将两个地址的文字以向 ...
【技术保护点】
【技术特征摘要】
1.一种人为填写的地址文本相似度处理方法,其特征在于,包括:步骤A1、获取N个待对比地址中的任意两个地址,获取该每个地址中的地址常规字符并将所述地址常规字符作为断字符,以在计算地址连续性时,遇到断字符时停止累加计数,从而将每一地址分割为多个子串,以去除地址常规字符所引起的错误的相似性贡献,并且能够确保在去掉由常规字符引起错误的相似性贡献时,不会引入新的相似性贡献错误;其中所述地址常规字符包括以下的至少一种:['区','街','道','县','路','镇','乡','市',',',','];步骤A2、对比两个地址以获取两个地址之间所有的公共子串,其中公共子串为两个地址之间相同的字符串,其中每个相同子串应至少包括两个字符;其中获取的所有公共子串的方式采用了自改造的动态规划方法,从而使得找出多个公共子串与找出一个公共子串的时间复杂度相同。2.根据权利要求1所述的人为填写的地址文本相似度处理方法,其特征在于,还包括:步骤B1、利用以下公式将两个地址的相似度以增函数方式转换到[0,1]区间:其中,|A∩B|
con_i
为地址A与地址B的第i个连续的公共子串的长度;分子中的(1+|A∩B|
con_i
)*|A∩B|
con_i
/2为1到第i个连续的公共子串长度的等差数列求和,以对连续字符串进行加权以使其对相似度的影响增大;该公式支持地址数据半无序性的特点,现有大多数方法都不支持这一特点。3.根据权利要求2所述的人为填写的地址文本相似度处理方法,其特征在于,还包括:步骤C1、计算N个待对比地址中的任意两个地址之间的相似度,并根据这些相似度获得一个三角矩阵,且所述三角矩阵的对角线全为1;步骤C2、利用抽样数据确定相似度的阈值,以将相似度小于该阈值的两个地址确定为不同的地址,且大于等于该阈值的两个地址确定为相同的地址;;步骤C3、提取该三角矩阵的每个行向量,并将行向量中小于阈值的元素所对应的地址去掉;步骤C4、判断两个集合之间是否有交集;如果有则将两个集合合并,所述合并后的集合中的所有地址为同一类地址;判断集合中是否还有交集,如果有则返回步骤C3,如果没有则步骤结束。4.根据权利要求1
‑
3任一项所述的人为填写的地址文本相似度处理方法,其特征在于,所述方法还包括:将地址拆分为大地址和小地址,其中所述大地址为≥区级的地址;其中小地址为<区级的地址;将所述大地址和小地址分别进行比较;如果大地址的相似度小于大地址的阈值就直接返回0相似度,否则返回小地址的相似度。5.一种人...
【专利技术属性】
技术研发人员:张韶峰,段莹,冯鑫,王文皓,
申请(专利权)人:百融云创科技股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。