[发明专利]基于倒排索引和神经网络算法的地址匹配方法

权利要求书

1.一种基于倒排索引和神经网络算法的地址匹配方法，其特征在于，包括：

步骤1、构建Trie地址树；

步骤2、构建索引结构；

步骤3、索引匹配；

步骤4、构建基于神经网络算法的地址语义表达模型；

步骤5、构建基于孪生网络的地址语义相似度模型；

步骤6、对待匹配地址和标准地址集Ai中的每一个地址进行相似度计算，获取到与待匹配标准地址的相似度，设定相似度阈值，查找到符合阈值的标准地址；

在步骤2中，根据Trie地址树对标准地址库中的地址分词，得到每个地址的A、B、C、D、E、F结构；其中，A至F为地址的语法结构，除去A至F外的地址信息为语义结构；

根据标准地址的A至F语法信息结构构建倒排索引，其中，标准地址来源于规范合格的地址数据；

在步骤3中，对倒排索引检索结构中候选标准地址中的语法结构信息赋予唯一ID，将该语法结构拆分成多个索引关键词；其中，索引关键词的范围从分词结果A至F中获取，并且，每一个索引关键词至少关联一个ID；

待比对地址语法结构被拆分成多个检索词，检索词与索引关键词进行匹配得到所对应的ID集合，形成候选标准地址集；

具体的，对待匹配的地址，根据Trie地址树提取A、B、C、D、E、F结构，依次按照关键词的顺序F、E、D、C、B、A，查找对应的标准地址；若关键词F从标准库中查找对应的标准地址集A_f，利用步骤4中基于地址语义表达的方法进行地址匹配；若没有查找到A_f，则根据关键词E从标准库中查找对应的标准地址集A_e，利用步骤4中基于地址语义表达的方法进行地址匹配，若没有查找到A_e，则依次按照顺序进行查找，直至找到对应的标准地址集A_i，其中，i取值范围为a至f；

步骤4中包括嵌入阶段、Bi-LSTM阶段、CNN阶段和Attention阶段；

在嵌入阶段将中文地址转化为向量的形式，即将输入地址映射成为固定m×n的矩阵；采用Jieba的分词算法，并且加载自定义分词语料库，其中，分词语料库的构建根据城市地名和地址的特殊性，补充Jieba分词对未识别名称的正确分词；

具体的，地址A由N个词组成，即A＝{a₁,a₂,...,a_N}，对于地址A中的每个词，可以从词向量字典D^w∈R^dw|V|中查找到词向量；其中，V是词表的个数，d^w是词表的维度；词向量字典D^w通过学习获得，词向量的维度d^w根据需求设置；由此，地址A中的词a_i的向量是：e_i＝D^wVⁱ，其中，Vⁱ是一个长度为|V|的向量，其值在e_i处为1，其余处为0；此时，地址A的向量可表示为e＝{e₁,e₂,...,e_T}；

在Bi-LSTM阶段使用双向LSTM提取地址特征信息，以保证完整提取地址的语义表示；

在CNN阶段将整体的数据局部化，在每一个局部数据中利用卷积核函数提取特征，随后重构所有的碎片化特征，在目标函数的指导下实现对数据整体信息的提取；

在Attention阶段利用Attention机制表征地址的语义信息，以通过分配不同的权重来使语义向量表示更丰富的语义信息；其中，

定义H是包含[h₁,h₂,...,h_T]的输入向量，本阶段输入向量由CNN和Bi-LSTM阶段的加权输出而得，T是句子的长度，相关公式如下：

A'＝tanh(H)

α＝softmax(W^TA')

A”＝Hα^T

其中，H∈R^dw×T，d^W是词向量的维度，W是通过训练获得，W^T是其转置，A”经过Attention阶段之后的向量表示；

最终的每个地址向量的表示为：

其中，矩阵每一个行向量相加得到最终向量。