[发明专利]基于自然语言理解的中文POI匹配方法

权利要求书

1.基于自然语言理解的中文POI匹配方法，其特征在于，包括以下步骤：

S1：采集POI数据；

S2：对POI数据进行预处理；

S3：将预处理后的POI数据进行相似度特征提取；其中，相似度特征包括空间相似度、名称字面相似度、名称词袋相似度、类别相似度、名称语义相似度和地址语义相似度；

类别相似度的提取具体步骤为：采用分层匹配的方法，从外层开始依次对每层进行映射匹配，对比每层类别标签的语义是否相似，通过公式九计算类别相似度；公式九：其中，N是两个类别值中的最小层数；N_S是匹配数，N_S取值范围为[0，N]，先判断第一层类别语义是否相同，若不同，则停止此次匹配，否则匹配数N_S加1，进行下一层匹配；若下一层也相同，则匹配数再加1；

名称语义相似度的提取具体步骤为：包括名称相似度的语义计算网络，语义计算网络分为四层，分别是输入层、嵌入层、注意力层和输出层；输入层用于文本的编码工作，输入的内容包括文本信息和位置信息；嵌入层采用的Transformer神经网络结构，Transformer分别对文本信息和位置信息做嵌入和编码的操作，然后经过Transformer编码器获得句子的深度语义特征，经过嵌入层后，每个词被映射到语义空间中长度为L1的向量，具体表现为：

设定输入POI名称对为：d_i和t_i分别代表组成句子的单词，在经过嵌入层之后，句子对对应的嵌入向量为：

E_D和E_T分别为POI名称对应D和T对应的嵌入向量集合；

注意力层用于通过操作将词向量得到POI名称向量；操作包括pooling、concatenate、sum；具体表现为：当使用sum操作时，POI名称对应词向量的和H₁表示POI名称向量；H₁的计算公式为：H₁为D对应的句向量；H₂为T对应的句向量；注意力层通过scale dot attention，分别计算两个POI名称句相应的权重和表征；即同理可得H₁′，H₁′和H₂′分别是S和T注意力机制得到的POI名称句子向量；

输出层采用余弦距离计算文本之间的相似度，损失函数采用MSE，计算公式分别为：

地址语义相似度的提取具体步骤为：对于待匹配的地址对，首先用基于规则的地址树算法进行语法匹配，若匹配，则相似度为1，若不匹配，用word2Vec+ESIM进行语义相似度计算，得到相似度分数；具体表现为：

基于处理过的地址语料库创建了一个带标签的地址数据集；数据集由100000个地址对和相应的标签；生成此数据集的步骤：

S321：随机选取地址语料库的一个子集，包含40000条地址记录；

S322：手动将所选的若干个地址记录转换，以模拟在实际场景中可能查询的非标准和不明确的地址；转换的具体过程为：同义词替换：将地名替换为街道地址，反之亦然，将地名替换为别名；要素移除：删除地址所在的区、街道或社区，删除街道地址或地名；要素添加：添加冗余信息；

S323：为每个名称Sa检索两个地址Sb，一个与名称Sa匹配，即label＝1，另一个不匹配，即label＝0；匹配的地址Sb是地址语料库中转换为名称Sa的地址，而不匹配的地址Sb是从地址语料库中随机选择的；

S4：将提取的相似度特征输入到BP神经网络中分配权值，得到匹配概率值。

2.根据权利要求1所述的基于自然语言理解的中文POI匹配方法，其特征在于，所述采集POI数据的具体过程为：通过网络爬虫采集百度地图和高德地图的地址。

3.根据权利要求1所述的基于自然语言理解的中文POI匹配方法，其特征在于，S2中所述的对POI数据进行预处理的具体步骤为：

S21：将POI数据统一转换到相同的数据结构和空间坐标系下，对POI数据进行清洗，保留POI数据中的ID、名称、空间坐标、地址和类别标签；

S22：对POI数据进行筛选，去除重复和不完整数据；

S23：对不同来源的POI对象进行预匹配，获取需要进行相似度判别的POI对，并通过人工判别筛选出部分样本对，用于判别模型的训练。

4.根据权利要求1所述的基于自然语言理解的中文POI匹配方法，其特征在于，S3中所述的空间相似度具体提取步骤为：

S301：识别空间坐标中经纬度；对待匹配的两组经纬度通过公式一、公式二和公式三进行计算以米为单位的距离；

其中，公式一

公式二：

公式三：

S302：利用公式四计算的标准化距离测量值；其中GX为搜索兴趣匹配点的边界距离；

名称字面相似度的提取具体步骤为：

S311：去除POI名称属性中的特殊符号；

S312：利用公式五、六、七计算编辑距离得到名称字面相似度；其中；

公式五：s₁和s₂为字符串；m是匹配的字符数，t是换位的数目；

公式六：Jaro-Winkler距离d_jaro-win(s₁,s₂)＝d_jaro(s₁,s₂)+(L_p(1-d_jaro(s₁,s₂)))，d_jaro(s₁，s₂)是s₁和s₂的Jaro距离，L是前缀匹配的长度，p是前缀匹配的权重；aro-Winkler距离是大于0小于1的数，其越接近1，表示文本越相似；

公式七：名称字面相似度其中L_string1和L_string2为字符串的长度；

名称词袋相似度的提取具体步骤为：对名称字符串进行分词处理，将连续的字符串切分为单独的词，由两字符串包含的所有词构成共有词袋；对比共有词袋，得到两字符串的词袋向量A、B，最后通过公式八计算两向量的余弦相度；

其中，公式八：