[发明专利]地址信息抽取方法、模型训练方法及相关设备

权利要求书

1.一种地址信息抽取方法，其特征在于，包括：

接收收件地址；

对所述收件地址进行处理，生成向量矩阵；

将所述向量矩阵输入一实体信息标注模型，获得实体标签序列，所述实体标签序列包括对应所述收件地址中每段局部地址的实体标签；

判断所述实体标签序列中是否包含兴趣点标签，若是则将所述兴趣点标签作为目标实体标签，若否则将道路标签作为所述目标实体标签；以及

自所述实体标签序列中筛选出所述目标实体标签对应的目标局部地址，对所述目标局部地址进行高亮显示。

2.如权利要求1所述的地址信息抽取方法，其特征在于，所述对所述目标局部地址进行高亮显示之后，还包括：

搜索所述目标局部地址的收件范围内是否有自动收货点；

若是，对所述收件地址中位于所述目标局部地址之后的末端局部地址进行加密显示，并临近所述目标局部地址，高亮显示所述自动收货点。

3.如权利要求2所述的地址信息抽取方法，其特征在于，所述自动收货点包括智能快递柜和智能快递驿站。

4.如权利要求1或2所述的地址信息抽取方法，其特征在于，还包括：

根据高亮显示后的所述收件地址，打印快递面单。

5.如权利要求1所述的地址信息抽取方法，其特征在于，所述对所述收件地址进行处理，生成向量矩阵，包括：

对所述收件地址进行预处理，生成预设格式的地址文本；

根据数据字典，将所述地址文本中的字词转换成数字，生成数字序列；

将所述数字序列中每个字词对应的数字转换成向量，并按所述地址文本的字词顺序拼接转换后的向量，生成向量矩阵。

6.如权利要求5所述的地址信息抽取方法，其特征在于，所述实体信息标注模型包括循环神经网络和概率无向图模型；

所述获得所述实体标签序列，包括：

所述循环神经网络根据所述向量矩阵，获得对应每个字词的特征向量；

所述概率无向图模型根据所述特征向量，获得包含每个字词对应各实体标签的概率序列的概率矩阵，并根据所述概率矩阵输出最优标签序列作为所述实体标签序列；

所述最优标签序列中，每个字词对应一实体标签，且按所述字词顺序，每连续多个字词对应相同的实体标签。

7.一种模型训练方法，其特征在于，包括：

获得样本地址；

采用实体标签集对所述样本地址进行标注，获得每条所述样本地址的样本标签序列；

对标注后的每条所述样本地址进行处理，获得样本向量矩阵；

根据循环神经网络和概率无向图模型构建一网络模型；以及

以所述样本向量矩阵为输入，以对应的所述样本标签序列为输出，训练所述网络模型，获得实体信息标注模型。

8.如权利要求7所述的模型训练方法，其特征在于，所述实体标签集包括：

对应行政区划信息的实体标签、对应兴趣点信息和/或道路信息的实体标签、及对应楼层单元信息的实体标签。

9.如权利要求7所述的模型训练方法，其特征在于，所述根据循环神经网络和概率无向图模型构建一网络模型，包括：

以双向长短期记忆网络作为向量化处理的特征提取层；

以条件随机场作为概率分布处理的标签输出层。