摘  要： 地址匹配技術(shù)常常被用于對(duì)屬性地址信息快速定位，也是解決目前GIS系統(tǒng)分析能力瓶頸的重要方法。首先分析了中文地址匹配技術(shù)應(yīng)用的現(xiàn)狀以及常用地址匹配方法的優(yōu)缺點(diǎn)，在此基礎(chǔ)上給出了基于全文檢索技術(shù)的地址匹配方法，并使用參考規(guī)則進(jìn)行匹配結(jié)果優(yōu)化，隨后使用實(shí)驗(yàn)證明了方法的準(zhǔn)確性。

　　關(guān)鍵詞： 全文檢索；地址匹配；GIS；Lucene

0 引言

　　企業(yè)管理以及信息化業(yè)務(wù)越來越多地依賴于電子地圖[1-2]。國外對(duì)空間地址匹配技術(shù)的研究已經(jīng)形成了完善的規(guī)范體系，各大地圖提供廠商也形成了標(biāo)準(zhǔn)的工業(yè)化組件[3-4]。一些特殊領(lǐng)域也針對(duì)地理編碼精度的量化以及評(píng)估方法進(jìn)行了一系列的研究[5-6]。隨著GIS技術(shù)在空間分析上的普及，一些研究人員開始探索使用空間要素之間的相關(guān)性幫助對(duì)地址匹配結(jié)果進(jìn)行糾偏[7]。

　　中文地址匹配的研究在國內(nèi)盡管已經(jīng)有了成熟的應(yīng)用，但對(duì)不規(guī)范地址的匹配仍然依賴于數(shù)據(jù)的預(yù)處理，對(duì)于模糊地址的查詢還依賴用戶對(duì)系統(tǒng)推薦的結(jié)果進(jìn)行二次選擇。

　　中文地址匹配的難度主要來自城市門牌地址不規(guī)范以及中文的語言復(fù)雜性。由于國內(nèi)城市地址編碼規(guī)范的缺失，門牌地址的缺、跳、同、錯(cuò)等問題非常普遍，增加了地址匹配的難度，同時(shí)一些糾偏手段也往往也很難達(dá)到預(yù)期的效果。另外，不同機(jī)構(gòu)所采集的地址門牌數(shù)據(jù)往往使用不同的描述風(fēng)格，甚至地址要素的先后順序都存在不同。此外，對(duì)同一地點(diǎn)查詢的地址描述也可能使用截然不同的描述方式。對(duì)此，一方面需要對(duì)門牌地址的標(biāo)準(zhǔn)進(jìn)行研究[8]，另一方面需要對(duì)現(xiàn)有城市地址的規(guī)則進(jìn)行研究。

　　本文針對(duì)地址匹配技術(shù)中地址庫維護(hù)成本高、可拓展性差的問題，給出了基于Apache Lucene的地址匹配技術(shù)，利用搜索引擎技術(shù)對(duì)空間地址要素進(jìn)行索引，通過搜索規(guī)則進(jìn)行地址匹配，實(shí)現(xiàn)地址庫的自學(xué)習(xí)并可提高地址匹配的精度。

1 常見中文地址匹配技術(shù)比較

　　現(xiàn)有地址匹配技術(shù)包括：地址庫預(yù)處理（對(duì)不規(guī)則的地址數(shù)據(jù)進(jìn)行一些人工干預(yù)的處理使之達(dá)到設(shè)計(jì)所需的格式要求），提高地址分詞精度以及與用戶交互（當(dāng)用戶輸入的地址得到多個(gè)匹配度相似的結(jié)果時(shí)，通過詢問用戶而得到更為準(zhǔn)確的結(jié)果）。這些方法需要大量人工干預(yù)。常見的中文地址匹配方法有：正則表達(dá)式法、關(guān)鍵路徑法以及自然語言理解法[9]。

　　本文針對(duì)對(duì)中文地址描述模糊、不規(guī)范以及使用參照物等特點(diǎn)，提出一種可用于中文地址匹配的思路：首先確定地址的大概方位，然后通過待匹配地址中的參考值進(jìn)行地址修正。

2 基于全文搜索的地址匹配法

　　本文方法的核心是基于Apache Lucene全文檢索工具包[10]的全文檢索：首先對(duì)現(xiàn)有地址門牌以及POI等空間地址數(shù)據(jù)進(jìn)行分析并建立索引，形成基礎(chǔ)地址索引庫；接下來通過對(duì)索引庫的搜索實(shí)現(xiàn)初步的地址匹配；最后在此基礎(chǔ)上利用參照物糾偏等方法對(duì)匹配結(jié)果進(jìn)行進(jìn)一步糾正以得到精確的地址空間位置信息。

　　常見的地址數(shù)據(jù)有3種：第一種是精確的地址描述，如“上海宛平南路75號(hào)”，搜索引擎可以很容易地搜索到相似度最高的結(jié)果；第二種是基于參考物的描述，如“肇嘉浜路上7號(hào)線地鐵站”，地址匹配通過執(zhí)行預(yù)先制定的“地點(diǎn)+參照物”的規(guī)則得到最終的匹配結(jié)果；第三種是基于不確定的指路形式，如“上海宛平南路75號(hào)向南50米”，地址匹配引擎按照規(guī)則“地點(diǎn)+方向”得到最終的匹配結(jié)果。

　　在設(shè)計(jì)時(shí)定義了3種類型的規(guī)則：第一種是預(yù)處理規(guī)則，對(duì)地址文本進(jìn)行預(yù)處理，包含錯(cuò)別字替換、特殊符號(hào)替換以及錯(cuò)誤描述替換等；第二種是計(jì)算以及參考規(guī)則，對(duì)原地址進(jìn)行要素拆分提取，比如在地址數(shù)據(jù)中常見的方向描述、當(dāng)不清楚具體門牌時(shí)的參照物描述以及一些專業(yè)領(lǐng)域中的特有對(duì)象的內(nèi)容；第三種是檢索規(guī)則，當(dāng)無法檢索到合適的結(jié)果時(shí)，引擎需要減少檢索的條件，檢索規(guī)則用來判斷舍棄哪些關(guān)鍵要素，比如在路名庫中存在的詞不可舍棄、數(shù)值要素可以舍棄等。

　　通過完善規(guī)則可以提高匹配精確度，此外可針對(duì)特定領(lǐng)域制定特定的規(guī)則，通過數(shù)據(jù)分析以及規(guī)則挖取也為地址匹配引擎的自我學(xué)習(xí)打下了基礎(chǔ)。

　　本文的地址匹配基本思路包含以下步驟。

　　（1）詞庫準(zhǔn)備。詞庫主要有地址固定名詞庫、興趣點(diǎn)固定詞庫、常用別稱庫以及常見誤稱庫。其中地址固定名詞庫包含城市名、鄉(xiāng)鎮(zhèn)名以及道路名等；興趣點(diǎn)則包括如超市、醫(yī)院以及學(xué)校等POI數(shù)據(jù)；常用別稱則是對(duì)一些地點(diǎn)約定俗成的非官方叫法或者一地多名的叫法，如新客站、上?；疖囌径贾傅氖峭坏攸c(diǎn)；而誤稱庫則是在地址描述中一些常見的錯(cuò)誤描述形式。

　?。?）地址索引建立。在準(zhǔn)備好詞庫的基礎(chǔ)上對(duì)門牌地址庫以及POI數(shù)據(jù)庫進(jìn)行分詞索引。

　?。?）匹配規(guī)則制定。使用了預(yù)設(shè)的規(guī)則引擎進(jìn)行匹配規(guī)則描述，匹配規(guī)則主要用于對(duì)已經(jīng)經(jīng)過初步篩選的大致范圍進(jìn)行精確定位的情況，比如方位描述規(guī)則“[D]{關(guān)鍵字}<計(jì)算符>（數(shù)據(jù)提取正則表達(dá)式）”可以用于對(duì)“路口向東20米”這類數(shù)據(jù)進(jìn)行糾偏，參考物規(guī)則“[R]{關(guān)鍵字}<空間圖層ID>”可以對(duì)“人民路口東側(cè)行道樹”這類數(shù)據(jù)進(jìn)行糾偏，還可以通過規(guī)則的組合來實(shí)現(xiàn)更為復(fù)雜的情況。

　?。?）地址匹配過程。首先對(duì)待匹配地址進(jìn)行規(guī)則檢測，如果符合地址匹配規(guī)則庫中的規(guī)則，則對(duì)地址數(shù)據(jù)進(jìn)行規(guī)則運(yùn)算，得到匹配規(guī)則以及規(guī)則計(jì)算后的地址文本。之后對(duì)地址文本進(jìn)行分詞，進(jìn)而使用檢索規(guī)則進(jìn)行檢索條件的構(gòu)建，并對(duì)索引進(jìn)行搜索。

　　對(duì)于不規(guī)范或有問題的地址，往往會(huì)出現(xiàn)無法檢索到結(jié)果的情況，這時(shí)系統(tǒng)將根據(jù)制定的縮詞規(guī)則對(duì)分詞的結(jié)果進(jìn)行篩選，去除權(quán)重低的詞匯并重新構(gòu)建檢索條件進(jìn)行地址庫檢索。

　　最終如果成功檢索到結(jié)果，則根據(jù)先前提取到的規(guī)則，系統(tǒng)還將對(duì)這個(gè)結(jié)果進(jìn)行修正，比如“向東20米”這樣的方向規(guī)則，那么地址匹配引擎將在匹配的結(jié)果上進(jìn)行方向距離的計(jì)算得到最終的精確結(jié)果；而類似“某某路便利店”這類的情況，則可以應(yīng)用地圖要素參考的規(guī)則，使用地圖要素的空間進(jìn)行分析計(jì)算得到更為精確的結(jié)果。

　　在地址信息發(fā)生變化或詞庫信息發(fā)生變化時(shí)，還需要對(duì)索引文件進(jìn)行維護(hù)。

　　地址匹配流程如圖1所示。

3 實(shí)驗(yàn)結(jié)果與分析

　　本文的實(shí)驗(yàn)將分兩部分進(jìn)行，第一部分驗(yàn)證對(duì)于門牌地址的匹配效果。數(shù)據(jù)來源主要有兩部分，某企業(yè)的用戶信息庫中的地址以及某企業(yè)員工外出登記中的地址。第二部分驗(yàn)證本文地址匹配方法中的參考規(guī)則對(duì)于實(shí)現(xiàn)專業(yè)領(lǐng)域的地址精確定位的效果，這部分?jǐn)?shù)據(jù)來自某燃?xì)夤芾砥髽I(yè)的故障報(bào)修地址數(shù)據(jù)。

　　實(shí)驗(yàn)分別從地址庫中抽取500條地址數(shù)據(jù)進(jìn)行匹配，測試庫中的樣本數(shù)據(jù)事先都進(jìn)行了空間位置確認(rèn)，實(shí)驗(yàn)規(guī)定匹配得到的空間位置與數(shù)據(jù)基準(zhǔn)位置距離在50米內(nèi)則視為正確匹配。每部分實(shí)驗(yàn)分別進(jìn)行3次，結(jié)果取平均值，實(shí)驗(yàn)結(jié)果表1和表2所示。

　　（1）門牌號(hào)數(shù)據(jù)地址匹配結(jié)果分析

　　從表1可以看到，對(duì)門牌地址的匹配成功率，本文的方法與關(guān)鍵路徑法相近，且略高于在線地圖的匹配結(jié)果，而本文方法的匹配準(zhǔn)確率則略高于另外兩項(xiàng)。通過分析，由于匹配的成功率主要取決于分詞的精度以及基準(zhǔn)數(shù)據(jù)庫的質(zhì)量，在實(shí)驗(yàn)中本文的算法與關(guān)鍵路徑法使用的是相同的基準(zhǔn)數(shù)據(jù)庫，因此結(jié)果也更加接近。

　　由于實(shí)驗(yàn)所使用的門牌數(shù)據(jù)相對(duì)比較規(guī)范，系統(tǒng)在地址采集時(shí)作了較為嚴(yán)格的格式驗(yàn)證，因此幾種方法的匹配準(zhǔn)確率相對(duì)都比較高，通過數(shù)據(jù)分析，其中存在的差異主要來源有如下幾點(diǎn)：

　?、僭诰€地圖在對(duì)待“xx路xx路”這類路口數(shù)據(jù)時(shí)并沒有準(zhǔn)確定位到路口；

　?、陉P(guān)鍵路徑法實(shí)現(xiàn)的地址匹配工具對(duì)于中文表述的門牌號(hào)碼沒有做好數(shù)據(jù)處理，使得在定位時(shí)準(zhǔn)確性降低了不少；

　?、墼诰€地圖對(duì)于門牌插值的效果在幾種方法中最好。

　　通過地址匹配的基本概念分析可以發(fā)現(xiàn)，這些都不是影響地址匹配效果的關(guān)鍵因素，因此，通過門牌號(hào)實(shí)驗(yàn)驗(yàn)證了幾種算法對(duì)于規(guī)范化的門牌數(shù)據(jù)都有不錯(cuò)的定位效果。

　?。?）特定領(lǐng)域地址匹配結(jié)果分析

　　從表2可以看到，對(duì)于像燃?xì)鈭?bào)修這個(gè)特殊領(lǐng)域，本文方法的匹配成功率最高，在線地圖結(jié)果略低，而關(guān)鍵路徑法相對(duì)就比較低了；而匹配的準(zhǔn)確率上，本文的方法要遠(yuǎn)遠(yuǎn)高于其他兩種方法。

　　經(jīng)過分析發(fā)現(xiàn)，燃?xì)鈭?bào)修的數(shù)據(jù)庫中的數(shù)據(jù)存在著嚴(yán)重的描述不規(guī)范現(xiàn)象，這使得關(guān)鍵路徑這一辦法在這里的應(yīng)用效果就沒有那么理想，而對(duì)于模糊地址的匹配，在線地圖做得相當(dāng)出色，而本文的方法由于使用了搜索引擎技術(shù)，這也使得對(duì)不規(guī)范地址有著不錯(cuò)的匹配成功率。

　　在特定領(lǐng)域地址匹配實(shí)驗(yàn)中，本文方法準(zhǔn)確率遠(yuǎn)遠(yuǎn)高于其他兩種方法的原因主要來自于引擎的規(guī)則系統(tǒng)，同門牌號(hào)數(shù)據(jù)地址匹配實(shí)驗(yàn)類似，對(duì)于“xx路xx路”這類數(shù)據(jù)，本文的方法可以準(zhǔn)確定位到路口，而在線地圖僅僅能識(shí)別“xx路xx路路口”這種形式。而在燃?xì)鈭?bào)修的數(shù)據(jù)中，路口這類數(shù)據(jù)是非常多的，本文通過數(shù)據(jù)的預(yù)處理規(guī)則、參考規(guī)則以及檢索規(guī)則的添加，可以很好地適應(yīng)如“xx路xx路向東20米”、“xx路xx號(hào)附近窨井”等這類數(shù)據(jù)形式。

4 結(jié)論

　　本文給出的方法具有減少對(duì)地址庫格式的依賴、提高對(duì)不規(guī)范數(shù)據(jù)的利用率的優(yōu)點(diǎn)，它將技術(shù)以及人力都集中在對(duì)匹配引擎規(guī)則的研發(fā)和制定上，通過完善和補(bǔ)充匹配規(guī)則以及搜索引擎排序規(guī)則，可以在使用過程中不斷提高地址匹配引擎的精度。

　　在未來的研究中，還需要進(jìn)一步研究通過匹配日志的分析挖掘提供規(guī)則自動(dòng)學(xué)習(xí)的功能，使得系統(tǒng)可以分析并抽取大量數(shù)據(jù)中潛在的匹配規(guī)則，滿足特定領(lǐng)域特定描述習(xí)慣的自適應(yīng)需求。另外，基于空間位置的參照糾偏計(jì)算成為系統(tǒng)潛在的性能瓶頸，因此這方面也是今后研究優(yōu)化的一個(gè)方向。

參考文獻(xiàn)

　　[1] WILLIAM J D. Address matching： GIS technology for mapping human activity patterns[J]. Journal of the American Planning Association， 1995，61（2）：240-251.

　　[2] KWAN M P. How GIS can help address the uncertain geographic context problem in social science research[J]. Annals of GIS，2012，18（4）：245-255.

　　[3] ROTH A， SCHREIER G. The D-PAF ERS-1 geocoding system[J]. International Journal of Remote Sensing， 1992，13（9）：1619-1625.

　　[4] JERRY H. R. On the accuracy of TIGER-type geocoded address data in relation to cadastral and census areal units[J]. International Journal of Geographical Information Science，2001，15（5）：473-485.

　　[5] GEOFFREY M J. A research agenda： does geocoding positional error matter in health GIS studies[J]. Spatial and Spatio-temporal Epidemiology， 2012，3（1）：7-16.

　　[6] CAYO M R， TALBOT T O. Positional error in automated geocoding of residential addresses[J]. International Journal of Health Geographics，2003，2（1）：10.

　　[7] TIMOTHY C. H， PAUL A Z. Reference data and geocoding quality： examining completeness and positional accuracy of street geocoded crime incidents[J]. Policing： An International Journal of Police Strategies & Management，2013，36（2）：263-294.

　　[8] 夏蘭芳，毛煒青，郭功舉.上海城市地理編碼系統(tǒng)應(yīng)用與研究[J].測繪通報(bào)，2012（1）：78-80.

　　[9] 張雪英，閭國年，李伯秋，等.基于規(guī)則的中文地址要素解析方法[J].地球信息科學(xué)學(xué)報(bào)，2010（1）：9-16.

　　[10] MICHAEL M， ERIK H， OTIS G. Lucene in Action[M]. American： MANNING PUBN， 2010.