[发明专利]异常地址数据识别方法、装置、设备、介质

权利要求书

1.一种异常地址数据识别方法，其特征在于，包括：

获取用户通过操作界面选择的多级标准地址数据及输入的详细地址数据；

将所述详细地址数据进行分级处理，以获得与所述多级标准地址数据对应的多级解析地址数据；

采用预设的交叉匹配算法将所述多级标准地址数据与所述多级解析地址数据进行交叉匹配；

若确定所述多级标准地址数据与所述多级解析地址数据不匹配，则确定所述详细地址数据为异常地址数据；

所述采用预设的交叉匹配算法将所述多级标准地址数据与所述多级解析地址数据进行交叉匹配，包括：

采用预设的交叉匹配算法判断所述多级标准地址数据与所述多级解析地址数据是否完全一致；

若确定不完全一致，则分别去除多级标准地址数据及所述多级解析地址数据中的限制性关键词，以分别获得多级标准简要地址数据及多级解析简要地址数据；

判断所述多级标准简要地址数据与所述多级解析简要地址数据是否完全一致；

若确定不完全一致，则判断是否有至少两级标准简要地址数据与对应的解析简要地址数据一致，且剩余级别的标准简要地址数据与对应的解析简要地址数据之间有包含的关系；

若确定至少两级标准简要地址数据与对应的解析简要地址数据不一致和/或剩余级别的标准简要地址数据与对应的解析简要地址数据之间不存在包含的关系，则确定多级标准地址数据与所述多级解析地址数据不匹配。

2.根据权利要求1所述的方法，其特征在于，所述将所述详细地址数据进行分级处理，以获得与所述多级标准地址数据对应的多级解析地址数据，包括：

将所述详细地址数据输入到训练至收敛的分词分级模型中；

通过所述训练至收敛的分词分级模型对所述详细地址数据进行分词及分级处理，输出所有级别解析地址数据；

从所述所有级别解析地址数据中提取与所述多级标准地址数据对应的多级解析地址数据。

3.根据权利要求2所述的方法，其特征在于，所述训练至收敛的分词分级模型为训练至收敛的长短记忆循环神经网络模型。

4.根据权利要求1所述的方法，其特征在于，还包括：

若确定多级标准地址数据与所述多级解析地址数据完全一致，或所述多级标准简要地址数据与所述多级解析简要地址数据完全一致，或至少两级标准简要地址数据与对应的解析简要地址数据一致且剩余级别的标准简要地址数据与对应的解析简要地址数据之间存在包含的关系，则确定多级标准地址数据与所述多级解析地址数据匹配。

5.根据权利要求1所述的方法，其特征在于，所述若确定所述多级标准地址数据与所述多级解析地址数据不匹配，则确定所述详细地址数据为异常地址数据，包括：

若确定所述多级标准地址数据与所述多级解析地址数据不匹配，则对所述多级标准地址数据与所述多级解析地址数据进行拼接，形成目标拼接地址数据；

查询在预设的别名对照关系列表中是否存在所述目标拼接地址数据；

若确定存在所述目标拼接地址数据，则确定在预设的别名对照关系列表中所述目标拼接地址数据的出现频次；

若确定所述出现频次小于预设频次阈值，则确定所述详细地址数据为异常地址数据。

6.根据权利要求5所述的方法，其特征在于，所述查询在预设的别名对照关系列表中是否存在所述目标拼接地址数据之前，还包括：

获取历史成功交付订单；

提取所述历史成功交付订单中的历史拼接地址数据；

根据所述历史拼接地址数据及所述历史拼接地址数据的出现频次构建所述别名对照关系列表。