一种基于编码规则的中文地址清洗方法-闽江学院学报.PDF

第３４卷 第５期 闽江学院学报 Ｖｏｌ．３４Ｎｏ．５ 　 ２０１３年９月 ＪＯＵＲＮＡＬＯＦＭＩＮＪＩＡＮＧＵＮＩＶＥＲＳＩＴＹ Ｓｅｐ．２０１３ 一种基于编码规则的中文地址清洗方法 郭文龙，卓　琳 （福建江夏学院电子信息科学学院，福建 福州　３５０１０８） 摘要：由于中文地址命名的不规范性和中文的书写特点，造成中文地址的清洗工作异常困难．中文地址是由地址元 素和特征字两部分构成的，在对中文地址预处理的基础上，通过制定中文地址字符编码规则，提出对中文地址字符 进行编码，在地址元素后添加特征字代码，利用编码规则对地址代码进行清洗，最后根据编码结果对代码进行译码， 达到清洗的目的．利用某常住人口地址进行验证，实验结果证明清洗效果良好． 关键词：中文地址；规则；编码；译码；清洗 中图分类号：ＴＰ３９１　　 文献标识码：Ａ　　　文章编号：１００９－７８２１（２０１３）０５－００６６－０４ ＡｃｏｄｉｎｇｒｕｌｅｂａｓｅｄｃｌｅａｎｉｎｇａｐｐｒｏａｃｈｔｏＣｈｉｎｅｓｅａｄｄｒｅｓｓ ＧＵＯＷｅｎｌｏｎｇ，ＺＨＵＯＬｉｎ （ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｏｎｉｃｓａｎｄＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅ，ＦｕｊｉａｎＪｉａｎｇｘｉａＵｎｉｖｅｒｓｉｔｙ，Ｆｕｚｈｏｕ，Ｆｕｊｉａｎ３５０１０８，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｂｅｃａｕｓｅｏｆｔｈｅｎｏｎ－ｓｔａｎｄａｒｄＣｈｉｎｅｓｅａｄｄｒｅｓｓａｎｄｔｈｅｗｒｉｔｉｎｇｆｅａｔｕｒｅｓｏｆＣｈｉｎｅｓｅ，Ｃｈｉｎｅｓｅａｄ ｄｒｅｓｓｃｌｅａｎｉｎｇｉｓｒａｔｈｅｒｄｉｆｆｉｃｕｌｔ．Ｃｈｉｎｅｓｅａｄｄｒｅｓｓｃｏｎｓｉｓｔｓｏｆｔｈｅａｄｄｒｅｓｓｅｌｅｍｅｎｔａｎｄｓｉｇｎａｔｕｒｅｗｏｒｄｓ． Ｔｈｒｏｕｇｈａｄｄｒｅｓｓｃｈａｒａｃｔｅｒｅｎｃｏｄｉｎｇｒｕｌｅｓ，ｔｈｅｅｎｃｏｄｉｎｇｆｏｒａｄｄｒｅｓｓｃｈａｒａｃｔｅｒｓｗｈｉｃｈｉｓｏｎｔｈｅｂａｓｉｓｏｆＣｈｉ ｎｅｓｅａｄｄｒｅｓｓｐｒｅ－ｐｒｏｃｅｓｓｉｎｇｉｓｐｒｏｐｏｓｅｄ．Ｃｌｅａｎｔｈｅａｄｄｒｅｓｓｃｏｄｅｂｙｕｓｉｎｇｒｕｌｅｉｎｗｈｉｃｈｓｉｇｎａｔｕｒｅｗｏｒｄｓ ｃｏｄｅｉｓａｄｄｅｄａｆｔｅｒａｄｄｒｅｓｓｅｌｅｍｅｎｔ．Ｆｉｎａｌｌｙａｃｃｏｒｄｉｎｇｔｏｔｈｅｅｎｃｏｄｉｎｇｒｅｓｕｌｔ，ｄｅｃｏｄｅｔｈｅｃｏｄｅｔｏａｃｈｉｅｖｅ ｔｈｅｐｕｒｐｏｓｅｏｆｃｌｅａｎｉｎｇ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｗｈｉｃｈｕｓｅｓａｄｄｒｅｓｓｅｓｏｆｓｏｍｅｒｅｓｉｄｅｎｔｐｒｏｖｅｓｔｈａｔｉｔｈａｓｇｏｏｄ ｃｌｅａｎｉｎｇｅｆｆｅｃｔ． Ｋｅｙｗｏｒｄｓ：Ｃｈｉｎｅｓｅａｄｄｒｅｓｓ；ｒｕｌｅ；ｅｎｃｏｄｉｎｇ；ｄｅｃｏｄｉｎｇ；ｃｌｅａｎｉｎｇ １　概述 随着计算机的应用与普及，各行各业均开发了相应的客户信息系统，许多系统中包含了地址信息，大量 的客户地址具有很大的商业价值．然而由于中文的语法特点及人们表达方式的差异，导致大量的地址不规 范，有些甚至是错误的数据．如何利用计算机技术规范化中文地址数据，如何识别错误的中文地址，进而挖掘 出它的商业价值便成为当前研究的热点．面对中文地址隐含的商业价值，国内许多大型软件公司推出了中文 地址清洗软件，其中比较出名的有北京长地计算机公司开发的“寻址神”，北大方正开发的“Ｍａｐｓｅａｒｃｈｅｒ”等． ［１－４］ 目前国内学者对中文地址的清洗大部分采用分词或基于特征字（省、市、县等）识别等方法来处理 ． ［５］ ［６］ ［７］ 常用的中文分词算法有机械分词法 、基于理解的分词法 及基于统计的分词法 ．机械分词法的精确率取 决于词典的构建，基于统计的分词方法