String 字符串度量/相似性/度量：标识相同的地理位置（街道地址）

当一个人从某个web服务搜索中检索地址时，就会出现一个问题：对于同一个实际位置，您会得到多个结果。例如，文档中的示例：

美国纽约州布鲁克林贝德福德大道277号，邮编：11211

美国纽约州布鲁克林大圣贝德福德大道11211号

美国纽约州布鲁克林大圣贝德福德大道11249号

美国纽约州布鲁克林大大街贝德福德大道11211号

美国纽约州布鲁克林11211

美国纽约布鲁克林威廉斯堡

假设我只需要选择1和最详细的一个，那么简单的解决方案是返回最大字符数的一个

但就在它之前，我想验证所有选项实际上都在描述同一个地方。适当的CS主题是。如何将这些算法应用于此任务？为什么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该出现，例如描述符“St”等

---

谢谢，

我不会在这里简单地比较字符串。尝试分析地址并确定组件。例如，在

美国纽约州布鲁克林贝德福德大道277号，邮编：11211

你可以看到：

• 用逗号分隔的项目代表不同的实体，尽管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，较晚的项目代表较大的区域。你在街道、街道、城市、州、国家都有一个特定的位置。最后一个项目并不总是国家，但你可以检查它的国家名单，只有当它失败，考虑其他选择。类似地，州代码列表允许您识别纽约州
• 靠近末尾的一长串数字可能是邮政编码
• 开头的一个短（ish）数字（总是注意像'th'和'st'这样的后缀）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，大多数地址都是这样写的。要求您提供地址的表单通常具有相同的字段

（事实上，在谷歌的例子中，你甚至不必自己去弄清楚，他们会告诉你组件是什么。他们还会告诉你最具体的东西是什么。）

对于下一个例子，类似的情况也适用，但更复杂：

美国纽约州布鲁克林大圣贝德福德大道11211号

“Av”和“St”需要转化为“Avenue”和“Street”。斜杠的意思不清楚。我们可以把它当作逗号，把“大圣”和“贝德福德”视为两种不同的信息。但从它们的位置以及“街道”和“大道”这两个词来看，我们知道它们代表的是同一种事物。让我们假设这个地方有两条街道，让它的确切含义保持开放。也许是一个角落，也许同一条街有两个名字

现在，当您比较前两个实体时，您知道它们有相同的国家、邮政编码、州和城市，因此这是一个良好的开端，但这不是很具体。第一条街道在第二条提到，这很好。事实上，第二条提到了一条额外的街道并不是一个真正的问题。一个问题是两个地方的街道

（A，B）

和

（B，C）

。街道编号不在那里，但这只是意味着第二个位置不太具体，所以第一个位置包含在第二个位置中

您可以放心地得出结论，第二个、第三个和第四个地址都是相同的。只有邮政编码不同，而且有时会发生这种情况（邮政编码很奇怪），其他地方有太多相同的邮政编码，无法排除匹配。邮政编码的数字也很接近。如果国家或州不同，则它们不应匹配，但可以创建一个警报，以便通知人并查看是否有问题。还要确保你有一本适当的字典，将同一个地方的不同名称规范化，例如NY==纽约。对于第四个地址，我们知道如何识别它有两条街道，我们可以无视秩序（将街道视为一组）

第五个地址同样只是较小区域的较少信息，因此它包含以前的地址。请注意，如果只比较第三个和第五个地址，则它们不匹配。这表明，当您匹配前两个地址时，您应该“合并”它们，并注意这两个邮政编码可能被认为是等效的。后来甚至可以说“布鲁克林，纽约11211，美国”和“布鲁克林，纽约11249，美国”匹配

最后一个地址与其他地址都不匹配。但是，这仅考虑纯字符串形式。谷歌确实在第一个地址中提到了威廉斯堡