Machine learning 如何检查输入字符串是否包含街道地址？

我们要从文档中标识地址字段。为了识别地址字段，我们使用Tesseract将文档转换为OCR文件。从tesseract输出中，我们要检查字符串是否包含地址字段。解决这个问题的正确策略是什么

使用正则表达式无法解决此问题，因为不同文档和国家/地区的地址字段不同

尝试使用NLTK对单词进行分类，但对地址字段的分类效果并不理想

所需输出

I am staying at 234 23 Philadelphia - Contains address files <234 23 Philadelphia>

I am looking for a place to stay - Not contains address 

我住在费城234 23号-包含地址文件
我在找一个住的地方-不包括地址

---

提供解决此问题的建议

与许多ML问题一样，存在多种可能的解决方案，重要的部分（通常影响更大的部分）不是使用哪种算法或模型，而是特征工程、数据预处理和标准化等。我想到了第一个解决方案（这只是一个想法，我会测试它，看看它的性能如何），它：

获取您的培训集示例，列出所有示例（即您的词汇表）中最常用的“N”个单词，该列表将包含“N”个最常用单词中的每一个，每个单词将由一个数字表示（列表索引）

转换您的培训示例：阅读每个培训示例并更改其表示形式，将每个单词替换为词汇表中的单词数

最后，对于每个培训示例，创建一个与词汇表大小相同的特征向量，对于词汇表中的每个单词，您的特征向量将为0（对应的单词在示例中不存在）或1（它存在），或者该单词出现的次数（同样，这是特征工程）

训练多个分类器、各种算法、参数、训练集大小等，并进行交叉验证以选择最佳模型

---

然后保留标准的ML工作流…

如果您只想检查是或否，而不想提取完整的地址，可以使用一个简单的解决方案

您可以尝试检查文本是否包含位置

例如：

import nltk 
def check_location(text):
    for chunk in nltk.ne_chunk(nltk.pos_tag(nltk.word_tokenize(text))):
        if hasattr(chunk, "label"):
            if chunk.label() == "GPE" or chunk.label() == "GSP":
                return "True"
    return "False"

text="I am staying at 234 23 Philadelphia."
print(text+" - "+check_location(text))

text="I am looking for a place to stay."
print(text+" - "+check_location(text))

输出：

# I am staying at 234 23 Philadelphia. - True 
# I am looking for a place to stay. - False

如果你想提取完整的地址，你需要训练你自己的模型

---

您可以检查：，。

为什么说正则表达式不起作用

基本上，以正则表达式的形式定义可能遇到的所有不同形式的地址。然后，只需匹配表达式。

你是对的

有些API将尝试为您提取地址。这些API并不总是保证从字符串中提取地址，但它们会尽最大努力。街道地址提取API的一个示例来自SmartyStreets。和

需要考虑的是，即使你的例子（<代码>我停留在234 23费城）不包含一个完整的地址。缺少州或邮政编码字段。这使得以编程方式确定是否存在地址非常困难。一旦有一个州或邮政编码添加到该示例字符串中（

我住在宾夕法尼亚州费城234 23

），就可以通过编程更容易地确定字符串中是否包含地址

---

免责声明：我为SmartyStreets工作

执行此任务的更好方法如下：

培训您自己的自定义NER模型（扩展预先培训过的

SpaCy的

模型或构建您自己的

CRF++

/

CRF biLSTM

模型，如果您有注释数据）或使用预先培训过的模型，如

SpaCy的

大型模型或geopandas等

根据问题陈述定义加权评分机制。 例如，让我们假设每个地址都有3个重要组成部分——一个地址、一个电话号码和一个电子邮件id。

包含所有三个选项的文本的得分为33.33%+33.33%+33.33%=100%

为了确定它是否是

地址字段

，您可以考虑

SpaCy的

位置标记（GPE、FAC、LOC等）占文本中总标记的百分比，这可以很好地估计文本中存在多少位置标记。然后运行邮政编码正则表达式，将找到的城市名称与找到的邮政编码前的3-4个单词进行匹配，如果有重叠，则表明您已正确识别了邮政编码，因此有一个

地址字段（得到33.33%的分数！）

对于

电话号码

-某些检查和正则表达式可以执行，但重要的标准是，只有当

地址字段

位于上述文本中时，它才会执行这些电话检查

对于

电子邮件/网址

，您可以再次执行名义正则表达式检查，最后将所有这3个分数相加为一个累积值

理想的

地址

将得到100分，而缺少的字段将得到66%等。文本的其余部分将得到0分

---

希望有帮助！：）

对于世界上所有的地址字段来说，没有足够的正则表达式，这些地址字段的邮政编码格式与城市名称或缩写不同，在其他国家可能用于其他用途。在这个问题上，只有ML解决方案应该有所帮助。我不认为将城市名称或地点名称矢量化是一个好主意。您使用的BoW模型背后的想法假设您事先知道词汇表，在本例中，没有一个vocab可以拥有所有的城市名称、州名称或邮政编码格式。