通訊地址查詢(xún)郵政編碼系統(tǒng)設(shè)計(jì)

邊旭 沈樹(shù)雄 王明興 黎俊茂

摘 要隨著電子商務(wù)的突飛猛進(jìn)和物流行業(yè)的信息化，使得人們?cè)谧悴怀鰬舻那闆r下完成購(gòu)物和郵寄物品，大大節(jié)約了時(shí)間和金錢(qián)成本。電子商務(wù)和物流行業(yè)都離不開(kāi)通信地址（又稱(chēng)為通訊地址，簡(jiǎn)稱(chēng)為地址）和郵編，本文關(guān)注怎樣識(shí)別一個(gè)地址，并找到該地址對(duì)應(yīng)的郵政編碼。

【關(guān)鍵詞】地址識(shí)別 郵政編碼 系統(tǒng)設(shè)計(jì)

1 現(xiàn)狀分析

隨著電子商務(wù)的突飛猛進(jìn)和物流行業(yè)的信息化，使得人們?cè)谧悴怀鰬舻那闆r下完成購(gòu)物和郵寄物品，大大節(jié)約了時(shí)間和金錢(qián)成本。電子商務(wù)和物流行業(yè)都離不開(kāi)通信地址（又稱(chēng)為通訊地址，簡(jiǎn)稱(chēng)為地址）和郵編，這些數(shù)據(jù)都需要用戶提供，當(dāng)前一些電子商務(wù)網(wǎng)站和物流行業(yè)的主要的做法如下：

（1）讓用戶手工輸入完整的地址和地址對(duì)應(yīng)的郵編。

（2）通過(guò)下拉列表提供省，省下面地級(jí)市和地級(jí)市下面的區(qū)縣，這些比較固定的地址讓用戶選擇，余下的地址和郵編由用戶手工輸入。

（3）保留用戶輸入的地址和郵編，方便下次再次使用，即如果本次輸入的地址和郵編之前已經(jīng)有了一份，直接選中，就避免了讓用戶重復(fù)輸入。

這些做法主要存在的問(wèn)題如下：

（1）很多情況下用戶未必知道自己輸入的地址對(duì)應(yīng)的郵編。

（2）由于基于拼音的輸入法和漢語(yǔ)本身存在的缺陷（漢字存在多音字，多個(gè)漢字擁有相同的讀音，多數(shù)基于拼音的輸入法都是基于統(tǒng)計(jì)的語(yǔ)言模型），再加上地址中存在的一些生僻字的原因會(huì)導(dǎo)致輸入的地址存在錯(cuò)別字。

（3）由于地名存在別名現(xiàn)象，即同一個(gè)地名有多種叫法，例如“廣東省”的別名有“廣東”和“粵”，因此他們識(shí)別不了對(duì)同一個(gè)地名的不同描述。

（4）有些情況下用戶無(wú)法輸入完整的地址，當(dāng)輸入的時(shí)候一臉茫然和無(wú)助。

（5）由于地址存在變更和搜集不完全的問(wèn)題，這些網(wǎng)站的數(shù)據(jù)往往得不到更新。

當(dāng)前一些其他的網(wǎng)站能夠解決第一個(gè)問(wèn)題，即幫助用戶得到地址對(duì)應(yīng)的郵編。但是他們往往采用數(shù)據(jù)庫(kù)技術(shù)來(lái)實(shí)現(xiàn)的系統(tǒng)，對(duì)于低于區(qū)縣級(jí)別的地址，往往采用字串模糊查詢(xún)（like %XXX%）的方式參與檢索，由于性能的原因此種方式對(duì)于大數(shù)據(jù)量的查詢(xún)效率很差。另外基于數(shù)據(jù)庫(kù)實(shí)現(xiàn)的查詢(xún)使得用戶的輸入格式和內(nèi)容受到了很大的限制，比如：

用戶首先選擇省級(jí)行政區(qū)（包括省、特別行政區(qū)、自治區(qū)和直轄市）的名字，其次是選擇地級(jí)行政區(qū)（包括地級(jí)市、自治州、地區(qū)和盟）級(jí)別的名字，然后再縣級(jí)行政區(qū)（包括市轄區(qū)、縣、旗、特區(qū)、林區(qū)、自治縣和自治旗等）級(jí)別的名字，最后用戶輸入鄉(xiāng)鎮(zhèn)級(jí)別及村莊道路等。查詢(xún)的輸入過(guò)程非常機(jī)械。

另外基于數(shù)據(jù)庫(kù)的查詢(xún)模式，要求地址格式全部滿足四級(jí)，即省級(jí)，地級(jí)市級(jí)，區(qū)縣級(jí)，然后是其他具體地址。但是并不是所有的地址都滿足此種情況，例如直轄市下和省與直轄縣或省直轄縣級(jí)市之間就沒(méi)有地級(jí)市級(jí)，一些特殊的地級(jí)市沒(méi)有區(qū)縣級(jí)，如廣東省中山市、廣東省東莞市、海南省三亞市、海南省三沙市、甘肅省嘉峪關(guān)市；他們的解決辦法，起個(gè)其他的名字代替，例如“直轄區(qū)縣”，“市轄區(qū)”，“省直轄縣”等，但是查詢(xún)的結(jié)果中一般也包含這些非真正地址的數(shù)據(jù)。

本方法嘗試解決如下問(wèn)題：

（1）幫助用戶輸入，即提供輸入提示功能（類(lèi)似Google Suggestion）。

（2）采用基于搜索引擎技術(shù)使得用戶輸入的查詢(xún)格式更加自由，并且通過(guò)一個(gè)比較短的地址片段就可以找到完整的地址。

（3）基于命名實(shí)體識(shí)別技術(shù)能夠識(shí)別出用戶輸入地址元數(shù)據(jù)的級(jí)別，從而實(shí)現(xiàn)地址的逐級(jí)查詢(xún)（例如已知一個(gè)地級(jí)市，給出該地級(jí)市下所有縣級(jí)行政區(qū)的名字和對(duì)應(yīng)的郵編；已知一個(gè)省的名字，給出該省下所有地級(jí)行政區(qū)的名字和對(duì)應(yīng)的郵編等）。

（4）自動(dòng)從互聯(lián)網(wǎng)上抓取地址數(shù)據(jù)，完成參考數(shù)據(jù)的更新。

（5）對(duì)不用來(lái)源的參考數(shù)據(jù)進(jìn)行校驗(yàn)，識(shí)別出有問(wèn)題的參考數(shù)據(jù)，使得參考數(shù)據(jù)更加準(zhǔn)確。

（6）有時(shí)候由于參考數(shù)據(jù)在鄉(xiāng)鎮(zhèn)級(jí)行政區(qū)級(jí)別及以下級(jí)別上收錄得不是很全，本方法可以通過(guò)地址補(bǔ)全方式完善查詢(xún)結(jié)果。

（7）實(shí)現(xiàn)查詢(xún)結(jié)果地址的切分和級(jí)別標(biāo)注，方便用戶靈活使用結(jié)果。

（8）將地址和對(duì)應(yīng)的郵編加密到二維碼中，方便用戶通過(guò)二維碼掃描軟件直接獲取完整的地址和郵編。

（9）將用戶的檢索結(jié)果鏈接到知名的地圖廠商（百度，谷歌，搜狗地圖等）獲取相關(guān)地址的經(jīng)緯度數(shù)據(jù)。

2 系統(tǒng)設(shè)計(jì)

2.1 總體架構(gòu)設(shè)計(jì)

本系統(tǒng)的總體架構(gòu)如圖1所示。

從圖1郵編查詢(xún)系統(tǒng)的總體架構(gòu)圖可以看出，該系統(tǒng)需要三種數(shù)據(jù)：

（1）用于通過(guò)通信地址查詢(xún)郵政編碼的通信地址和郵政編碼對(duì)應(yīng)關(guān)系的數(shù)據(jù)。

（2）用于輸入地址提示的標(biāo)準(zhǔn)化的通信地址數(shù)據(jù)。

（3）用于地址切分，地址標(biāo)注，命名實(shí)體識(shí)別和Query語(yǔ)句生成的地址元數(shù)據(jù)字典數(shù)據(jù)。

第一種數(shù)據(jù)：通信地址和郵政編碼的對(duì)應(yīng)關(guān)系，可以從一些數(shù)據(jù)比較新而且數(shù)據(jù)比較標(biāo)準(zhǔn)和完整的郵編查詢(xún)網(wǎng)站上，利用基于種子的網(wǎng)絡(luò)爬蟲(chóng)和信息抽取技術(shù)抓取相關(guān)數(shù)據(jù)。

第二種數(shù)據(jù)：標(biāo)準(zhǔn)化的通信地址數(shù)據(jù)，一種來(lái)源是第一種數(shù)據(jù)去掉郵政編碼后的通信地址數(shù)據(jù)，第二種來(lái)源，從維基百科和國(guó)家統(tǒng)計(jì)局網(wǎng)站上，最新的有關(guān)中國(guó)行政區(qū)劃上的網(wǎng)頁(yè)上利用爬蟲(chóng)技術(shù)和信息抽取技術(shù)抽取得來(lái)。

第三種數(shù)據(jù)：地址元數(shù)據(jù)字典數(shù)據(jù)，源自維基百科和國(guó)家統(tǒng)計(jì)局有關(guān)中國(guó)行政區(qū)劃的地址元數(shù)據(jù)，以及通過(guò)地址切分和識(shí)別技術(shù)從完整的通信地址中獲得。

地址元數(shù)據(jù)包含的數(shù)據(jù)主要有：省級(jí)行政區(qū)名（包括省、自治區(qū)、直轄市和特別行政區(qū)）、地級(jí)行政區(qū)名（地級(jí)市、自治州、地區(qū)、盟）、縣級(jí)行政區(qū)名（包含市轄區(qū)、縣級(jí)市、縣、自治縣、旗、自治旗、特區(qū)和林區(qū)）、鄉(xiāng)級(jí)行政區(qū)名（包括鄉(xiāng)、鎮(zhèn)、街道、蘇木、區(qū)公所），其他地址數(shù)據(jù)（包括道路名、村莊名、小區(qū)名、建筑物名和廣場(chǎng)名）等。

2.2 地址查詢(xún)編碼過(guò)程設(shè)計(jì)

地址查詢(xún)郵編索引結(jié)構(gòu)如圖2所示。

其中地址的最低等級(jí)域（Level Field）包含的數(shù)據(jù)值如下：

（1）省級(jí)行政區(qū)級(jí)（包括省、自治區(qū)、直轄市和特別行政區(qū)），用province表示。

（2）地級(jí)行政區(qū)級(jí)（包括地級(jí)市、自治州、地區(qū)、盟、直轄市轄區(qū)），用city表示。

（3）縣級(jí)行政區(qū)級(jí)（包括市轄區(qū)、縣、旗、特區(qū)、林區(qū)、自治縣和自治旗等），用district表示。

（4）鄉(xiāng)級(jí)行政區(qū)級(jí)（包括鄉(xiāng)、鎮(zhèn)、街道、蘇木、區(qū)公所），用town表示。

（5）低于鄉(xiāng)級(jí)行政區(qū)級(jí)，用all表示。

一個(gè)地址文本，其對(duì)應(yīng)的最低地址等級(jí)域的值計(jì)算如下：

（1）首先對(duì)地址文本做預(yù)處理，預(yù)處理包括刪除多余的空格，全角字符轉(zhuǎn)換成半角字符。

（2）其次是地址切分和地址標(biāo)注。

（3）接著是地址命名實(shí)體識(shí)別，獲取最終的地名實(shí)體標(biāo)注序列。

（4）然后根據(jù)規(guī)則計(jì)算出此地址文本的最低地址等級(jí)的值。

（5）將最低地址等級(jí)映射到最低地址等級(jí)域的值：1→province；2→city；3→district；4→town；0→all。

2.3 地址解析過(guò)程

本系統(tǒng)是基于開(kāi)源的全文搜索引擎工具包Lucene實(shí)現(xiàn)的系統(tǒng)，中文分詞模型采用的是二元模型（bigram）。為了提高搜索的精度和排序的質(zhì)量，需要對(duì)輸入的文本進(jìn)行解析，解析的結(jié)果是生成相關(guān)的Query語(yǔ)句。因此整個(gè)流程為首先對(duì)用戶輸入的文本進(jìn)行預(yù)處理，切分，標(biāo)注和地名實(shí)體識(shí)別，識(shí)別出不同級(jí)別的地名，然后對(duì)不同級(jí)別的地名分別用半角的雙引號(hào)“””括起來(lái)生成PhraseQuery查詢(xún)語(yǔ)句，并賦以不同的權(quán)值，權(quán)值的設(shè)定應(yīng)遵循如下原則，已被收錄到字典里的地名（即確定被識(shí)別的地名）其對(duì)應(yīng)的權(quán)值要大于未知的地名。舉例如圖3所示。

圖3中“29號(hào)”是不能識(shí)別的地址，因此其對(duì)應(yīng)的權(quán)值W5設(shè)置的值要比其他的權(quán)值小。通常情況下W5的值一般設(shè)置成1.0，其他確定已被識(shí)別的地址對(duì)應(yīng)的權(quán)值的值一般大于1.0。

接著用地址的標(biāo)注等級(jí)序列獲得地址的最低標(biāo)注等級(jí)，為了能夠支持地址的分級(jí)查詢(xún)（僅限四級(jí)以上的地址），即：搜索的結(jié)果首先是當(dāng)前地址的標(biāo)準(zhǔn)形式，其次是當(dāng)前地址等級(jí)下的直屬行政等級(jí)（即子等級(jí)）的所有地址，然后才是更下一級(jí)的地址。例如：當(dāng)輸入“深圳市”時(shí)，排在第一個(gè)的應(yīng)該是“廣東省深圳市”，其次是“深圳市”下的直轄區(qū)縣，然后是區(qū)縣下的鄉(xiāng)鎮(zhèn)街道，最后是道路，小區(qū)，村莊等。系統(tǒng)在最低標(biāo)注等級(jí)映射到最低等級(jí)域上要做分級(jí)查詢(xún)處理，具體做法是：獲得當(dāng)前最低等級(jí)及下屬的等級(jí)域的值，然后按照逐級(jí)遞減的方向賦上遞減的加權(quán)值。規(guī)則如下：

（1）1→province city；

（2）2→city district town；

（3）3→district town。

當(dāng)用戶提交查詢(xún)請(qǐng)求后，系統(tǒng)會(huì)返回查詢(xún)的結(jié)果，并把與用戶輸入的地址文本最相似的地址排在第一位。由于參考數(shù)據(jù)搜集的不是太全，加上每年都有新增的建筑，道路，小區(qū)等，還有一些行政區(qū)劃的變更等等，使得排在第一位置上的地址中區(qū)縣位置之后的地址和用戶輸入的地址有出入，本系統(tǒng)采用地址補(bǔ)全技術(shù)，對(duì)最相似的返回結(jié)果進(jìn)行改造，使得更接近用戶的要求。

2.4 地址補(bǔ)全

地址補(bǔ)全是根據(jù)用戶的輸入來(lái)完善查詢(xún)結(jié)果的技術(shù)，使得結(jié)果更貼近用戶的需求。地址補(bǔ)全主要用在某一級(jí)別的地址很難搜集全，而且新增量比較大，主要集中在四級(jí)和五級(jí)地址上。地址補(bǔ)全的條件時(shí)用戶輸入的地址文本其地址級(jí)別的順序是正常的，即不存在一二三級(jí)地址出現(xiàn)在四級(jí)或者五級(jí)地址之后。識(shí)別出用戶輸入的地址級(jí)別中四級(jí)地址及以后的部分，拼接到搜索結(jié)果最相似的那條地址中三級(jí)地址之后。

3 總結(jié)

本文設(shè)計(jì)的系統(tǒng)是用來(lái)實(shí)現(xiàn)地址查詢(xún)編碼這一功能的。在分析了現(xiàn)有系統(tǒng)情況之后，使用了地址解析、補(bǔ)全、查詢(xún)等技術(shù)，來(lái)滿足實(shí)際生產(chǎn)的需要。實(shí)際使用情況顯示本文提出的諸多解決方案能夠很好地滿足需求。

（通訊作者：邊旭）

參考文獻(xiàn)

[1]Joachim Selke，Christoph Lofi.Wolf-Tilo Balke：Pushing the Boundaries of Crowd-enabled Databases with Query-driven Schema Expansion[J].PVLDB 2012，5（6）：538-549.

[2]Query Execution in Star/Snowflake Schemas[M].Encyclopedia of Database Systems，2009.

作者單位

深圳市華傲數(shù)據(jù)技術(shù)有限公司 華傲研究院 廣東省深圳市 518000