用数据挖掘技术进行中文地址解构的新方法.pdfVIP

用数据挖掘技术进行中文地址解构的新方法 李宝林 王秀峰 兰 芸 段 菲 (南开大学信息技术科学学院，天津 300071) (北京航空航天大学高等教育研究所，北京 100083) E-mail：sniper@eyou．com 摘 要 从数据挖掘的角度对中文地址解构规则的获取与应用进行研究。该文提 出了一种高效 自动获取地址解构规则 的方法：首先利用文本挖掘技术从训练数据集 中挖掘 出候选规则，然后生成最终的强规则，同时构建地址元素特征词典。 最后 ，根据获取的知识进行地址解析 ，提取文本地址组成元素。试验结果证实了该方法的可行性 。 关键词 文本地址 地址解构 数据挖掘 序贯规则 数字查找树 文章编号 1002-8331一(2003)13—0072--03 文献标识码 A 中圈分类号 TP311 A New Method to ExtractStructurefrom Chinese AddressesUsing Data M iningTechnology LiBaolin W ang Xiufeng Lan Yunz Duan Fei (SchoolofInformationTechnologyandScience，NankaiUniversity，Tianjin300071) (InstituteofHigherEducation，BeijingUniversityofAeronauticsnadAstronautics，Beijing100083) Abstract：Thispaperpresentsanoveldataminingmethod to automatically elementizeChinees addressesen asaplain textstringinto atomicsmlcmredelementslike P“rovince”and “City．Firstly．htisway acquiresa setofcahdidaterules from training data setna d buildhtem into strong urles．Secondly，itconstructs hte lexicon containing addresselement features．Theruleestnadthelexicon composehte knowledgebase．Finally，hteknowledge base Cna beused to extract structure from address in Chinese text．Th e experimentshowshtata system using hte mehtod preesnted in htispaper Cna work effectively． Keywords：TextAddress，ExtractingStructure from Addresses，DataMining，SeuqenceRule，DigitalSearchTrees l 引言 题。但是 ，如何获取高质量的解构规则是一个有待研究的课题， 诸如银行、电信等面向客户的组织拥有大量的客户地址信 目前 国内外的相关报道很少 。 息I”，它们具有很大的商业价值。然而，由于种种原因，这些客户 数据挖掘是从数据集 中识别出正确、新颖、有潜在应用价 地址通常以普通的文本形式存在，没有进一步地分解成它的基 值 以及最终可理解的模式的非平凡过程131。而针对文本数据进 本组成元素。这一方面严重违反了数据规范化要求，另一方面， 行的文本挖掘是其中较为活跃 的一个研究分支 ，它从文本中提 同一个客户地址可能在不同的数据文件中存储的内容并不相 取新的、合理的、对未来行为有着指导意义的知识。该文将论