应用错误收集

当从某个Web服务搜索中检索地址时会出现问题，您会在同一个实际位置获得多个结果。例如"Reverse Geocoding API" by Google，例如文档：

＆＃34; 277 Bedford Avenue，Brooklyn，NY 11211，USA＆＃34;

＆＃34; Grand St / Bedford Av，Brooklyn，NY 11211，USA＆＃34;

＆＃34; Grand St / Bedford Av，Brooklyn，NY 11249，USA＆＃34;

＆＃34; Bedford Av / Grand St，Brooklyn，NY 11211，USA＆＃34;

＆＃34; Brooklyn，NY 11211，USA＆＃34;

＆＃34; Williamsburg，Brooklyn，NY，USA＆＃34;

假设我只需要选择1和最详细的一个，所以天真的解决方案是返回最大字符的那个。

但就在它之前，我想验证所有选项实际上是在描述同一个地方。相应的CS主题是String metric。如何在此任务中应用这些算法？大多数指标在这种情况下不适用的一些问题：

单词的顺序不一样。
并非所有必要的单词都应出现，例如描述符＆＃34; St。＆＃34;等

谢谢，

我不会简单地在这里比较字符串。尝试分析地址并识别组件。例如，在

中

277 Bedford Avenue，Brooklyn，NY 11211，USA

你可以看到：

用逗号分隔的项目代表不同的实体，但未分隔的项目也可能是不同的概念。
较早的项目代表较小的区域，后来的项目较大。您在街道，街道，城市，州，国家/地区拥有特定的位置。最后一项不会始终是国家/地区，但您可以针对国家/地区列表进行检查，并且只有在未考虑其他选项的情况下才能查看。同样，状态代码列表允许您识别NY。
靠近末尾的一长串数字可能是邮政编码。
一个简短的（ish）号码（总是在后面注意＆＃39; th＆＃39;和＆＃39; st＆＃39;）后缀可能是一个街道号码。

等等。然后你有一个语义表示。可以肯定地说，大多数地址都是以这种方式编写的。询问您地址的表格通常具有相同的字段。

（实际上，对于Google来说，你甚至不必为自己解决这个问题，他们会告诉你这些组件是什么。他们还告诉你最具体的东西。）

对于下一个，类似的事情适用，但它更复杂：

Grand St / Bedford Av，Brooklyn，NY 11211，USA

＆＃39;平均＆＃39;和＆＃39; St＆＃39;需要转变成大道＆＃39;和＆＃39; Street＆＃39;。斜线的含义尚不清楚。我们可以像逗号一样对待它并考虑＆＃34; Grand St＆＃34;和＆＃34;贝德福德Av＆＃34;是两个不同的信息。但是从他们的立场和＃34; Street＆＃34;和＆＃34; Avenue＆＃34;，我们知道两者都代表着同样的东西。所以，让我们说这个地方有两条街道，并留下那条开放的确切含义。也许它是一个角落，也许同一条街有两个名字。

现在，当您比较前两个实体时，您知道它们具有相同的国家/地区，邮政编码，州和城市，因此这是一个良好的开端，但这并不是非常具体。第二个街道在第二个街道中提到，这样很好。事实上，第二个人提到一条额外的街道并不是一个真正的问题。街道(A, B)和(B, C)有两个问题。街道号码不存在，但这只是意味着第二个位置不太具体，所以它就像第一个位置包含在第二个位置。

您可以放心地得出结论，第二，第三和第四个地址都是相同的。只有邮政编码有所不同，有时会发生这种情况（邮政编码很奇怪），在其他地方有太多相同的东西来解雇匹配。邮政编码也在数字上非常接近。如果国家或州不同，那么他们就不应该匹配，但可能会创建一个警报，以便通知人，并查看是否有问题。还要确保您有一个正确的字典，为同一个地方标准化不同的名称，例如纽约==纽约。对于第四个地址，我们知道如何将其识别为有两条街道，我们可以忽略顺序（将街道视为一组）。

对于较小的区域，第五个地址再次只是较少的信息，因此它包含以前的地址。请注意，如果您只比较它们不匹配的第三个和第五个地址。这表明，当您匹配前两个地址时，您应该合并＆＃39;他们并注意到两个邮政编码可能被认为是等同的。然后，甚至可以说＆＃34;布鲁克林，纽约州11211，美国＆＃34;和＆＃34;布鲁克林，纽约11249，美国＆＃34;匹配。

最后一个地址与其他任何地址都不匹配。但是这只考虑了普通的字符串形式。谷歌确实提到了威廉斯堡的第一个地址。

字符串指标/相似度/度量：识别相同的地理位置（街道地址）

1 个答案: