两个如何检查两个非结构化的街道地址字符串是否相同？

Question

我需要比较两个非结构化地址，并能够识别它们是否相同（或相似）。

方案

• 地址由最终用户以纯文本格式提供。
• 没有什么可以帮助用户以更可识别的方式书写（没有自动填充，没有。只是一个空的文本框）。
• ＆＃34; ＃102 Nice-Looking Street，Gotham City，NY ＆＃34;应该与＆＃34; Nice Loking St.，Gotham City，New York，apt 102 ＆＃34;。
• 使用第三方服务不是一种选择。
• 搜索不是问题。我已经有了两个字符串。我需要的是检查它们是否代表相同的地址，尽管它在结构上存在差异。

我找到了什么

我知道我们可以使用一些模糊逻辑进行这种比较，对拼写错误有一定的容忍度，但是......

• 有一些关键字（例如，比较＆＃34; Street＆＃34;到＆＃34; St。＆＃34;或比较＆＃34;＃102＆＃34;到＆＃34; apt 102＆＃34;，或＆＃34; NY＆＃34; to＆＃34;纽约＆＃34;）不应该惩罚可靠度。
• 某些单词可以按不同的顺序放置（如上例中的公寓）。

我不想重新发明轮子。这个问题在不同的环境中似乎是一个普遍关注的问题，我认为可能适合这种情况的算法（可能会略微修改）。

提前致谢

Answer 1

我帮助构建了一些开源工具来实现这一目标。

基本上，方法是尝试拆分并解决它的组成部分，然后智能地比较这些部分。

问题的两个部分都很难。

第一部分通常称为地址解析。以下是我们使用的内容：https://github.com/datamade/usaddress

第二部分有很多很多名字，但我们称之为模糊匹配。这是我们为此制作的图书馆：https://github.com/datamade/dedupe

我们还提供了一些使用它们的工具：http://dedupe.readthedocs.io/en/latest/Variable-definition.html#address-type