非规范化中文地址的行政区划提取算法

摘要 由于互联网上中文地址的非规范化表达，导致互联网中的中文地址信息在地理位置服务中难以直接应用。针对此问题，提出一种非规范中文地址的行政区划提取算法。首先，对原始数据进行“路”特征词分组预处理；再利用行政区划字典和移动窗口最大匹配算法，从中文地址中提取所有可能的行政区划数据集；然后，利用中文地址行政区划元素之间具有层次关系的特点，建立行政区划条件集合运算规则，对获取的数据集进行集合运算；再利用行政区划匹配度建立一种行政区划集合解析规则，来计算行政区划可信度；最后，得到可信度最大信息量最完整的中文地址的行政区划。利用从互联网中提取的约25万条中文地址数据进行是否采用“路”特征词分组处理以及是否进行可信度计算处理，对算法的可用性进行了验证，并与目前的地址匹配技术进行对比，准确率达到93.51%