[发明专利]知识图谱中文地址消除歧义方法

说明书

本发明提供一种知识图谱中文地址消除歧义方法，包括步骤：S1：从数据集中分割出实体数据和中文地址数据；选取中文地址数据并创建地址树；S2：将中文地址数据分为多个层级；S3：分析层级对应的地址元素，将层级对应的地址元素的匹配模式设置为模糊匹配，将其余设置为精确匹配；S4：将待分析数据集中的中文地址数据按照地址元素的匹配模式与当前地址树进行匹配；S5：对中文地址数据进行编码，并根据编码值大小顺序创建新的地址树。S6：S4中匹配失败的地址元素存储于栈结构中，后续匹配成功时补充至地址树。本发明的一种知识图谱中文地址消除歧义方法，适用于创建知识图谱前对中文地址类型的数据进行处理，可挖掘更多实体间的关系。

技术领域

本发明涉及知识图谱领域，尤其涉及一种知识图谱中文地址消除歧义方法。

背景技术

应用知识图谱技术的场景中，非结构化数据处理方法决定了实体间的关系是否有效被挖掘。若能够挖掘尽可能多的实体关系，则创建的知识图谱更加完善。中文地址数据作为非结构化数据的一种类型，有较多的实体联系需要被挖掘。但在实际的应用场景中，中文地址的利用仍处于较为初级的阶段。主要原因在于中文地址是一种描述性数据，存在多种表达方式，同时难以被机器处理，不能直接使用聚类和字符串匹配的方法来处理。当同一个中文地址存在多种不同的表达方式，若处理数据时未能挖掘出这些关系，则创建的知识图谱会损失较多的关系，使得系统的关联性下降，导致系统的性能较差。因此在创建知识图谱前对中文地址数据的消除歧义处理尤为重要。

中文地址消除歧义的处理可以解决由于人为书写习惯导致的中文地址表述不统一的问题，能够挖掘出知识图谱中实体间的关系，进而创建一个更加完备的知识图谱。目前国外对地址的研究已经非常成熟，但是不能直接运用于中文地址中。中文地址不同于国外地址的规则化表达，系统中收录和存储在数据库中的地址数据存在着中文地址表达的通病：缺乏统一的组织结构。在没有明确权威规则的情况下个人往往依据个人的习惯进行地址描述，经常出现冗余或缺省等问题。而在地址信息的表达过程中，单个字符的差异也会导致表达地理实体的不同，这些都是中文地址匹配研究中不可回避的问题。若这些问题不加以处理，轻则导致创建的知识图谱不完整，严重则会使构建的知识图谱存在歧义，从而影响所构建系统的性能。

现有的处理方法往往采用字符串匹配的方式，将中文地址完全匹配的实体之间构建关系。这种处理方法最大的优势在于简单，但是仅能挖掘明显的关系，无法发现更深层次实体间的联系。例如相同地点的不同描述，若出现一个字符之差则无法创建实体间的关系，因此弊端较多。

可见，目前现有的处理方法存在中文地址数据隐藏较多实体之间的关系，但是缺乏行之有效的方法将这些联系挖掘出来的问题。

发明内容

针对上述现有技术中的不足，本发明提供一种知识图谱中文地址消除歧义方法，适用于创建知识图谱前对中文地址类型的数据进行处理，可挖掘更多实体间的关系。

为了实现上述目的，本发明提供一种知识图谱中文地址消除歧义方法，包括步骤：

S1：处理一数据集，从所述数据集中分割出多个实体数据和多个中文地址数据，所述中文地质数据与所述实体数据对应；按一百分比例随机选取多个所述中文地址数据并创建多个地址树；其他未用于创建所述地址数的所述中文地址数据存储于一待分析数据集中；

S2：所述中文地址数据包括至少一所述地址元素，将所述待分析数据集中的所述中文地址数据的所述地址元素分为多个层级，每一所述层级对应至少一所述地址元素；

S3：分析每一所述层级对应的所述地址元素，将至少一所述层级对应的地址元素的匹配模式设置为模糊匹配，将其余所述层级对应的地址元素的所述匹配模式设置为精确匹配；

S4：按照所述层级顺序将所述待分析数据集中的所述中文地址数据按照所述地址元素的匹配模式与当前所述地址树进行匹配；当匹配成功时关联当前所述中文地址数据所对应的所述实体数据和当前所述地址数所对应的所述实体数据；当匹配失败时，将当前所述中文地址数据存入一匹配失败数据集；