基于自然語言處理的多源POI數(shù)據(jù)融合的研究.pdf

1、近年來，由于基于位置的服務(wù)快速發(fā)展，尤其是對(duì)網(wǎng)絡(luò)電子地圖、移動(dòng)位置服務(wù)(LBS)、便攜式自動(dòng)導(dǎo)航(PND)的使用，原有的興趣點(diǎn)(POI)很難繼續(xù)支撐這類服務(wù)。能否獲取高質(zhì)量的POI信息，成為此類服務(wù)的命脈所在。隨著人們持幣消費(fèi)能力在迅猛增長(zhǎng)，在日常消費(fèi)、出行時(shí)，會(huì)將更多的注意力放在餐飲、娛樂、旅游等領(lǐng)域。這種不斷增長(zhǎng)的消費(fèi)能力催生出了許多面向這一領(lǐng)域的信息提供商，他們所提供的信息內(nèi)容豐富，并且實(shí)時(shí)性相對(duì)很高。
　　 結(jié)合上述背景

2、，如何獲取蘊(yùn)含在web中的大量有價(jià)值的POI信息點(diǎn)成為如今的一個(gè)熱點(diǎn)問題，對(duì)這些已有的POI信息進(jìn)行校正、融合，得到有利用價(jià)值的規(guī)整數(shù)據(jù)，這些工作具有重大的理論意義和實(shí)際的現(xiàn)實(shí)意義。本文在多源POI數(shù)據(jù)融合方面，包括POI各特征字段的表示、可融合POI的分類、經(jīng)緯度字段的統(tǒng)一、網(wǎng)絡(luò)訪問受限等方面，進(jìn)行了深入而系統(tǒng)的研究，具體的研究工作和研究成果如下:
　　 (1)通過分析POI中各特征字段的形式、特點(diǎn)，提出了POI特征相似度用以

3、表示待分類POI與原有POI集的關(guān)系，以此進(jìn)行之后的判斷依據(jù)。相似度的形式化表示主要由名稱、地理信息相似度兩部分組成，其中的地理信息包括POI中的地址和經(jīng)緯度。名稱部分是通過幾種經(jīng)典字符串匹配方法計(jì)算得出的，地址部分根據(jù)地址的相似計(jì)算得出，經(jīng)緯度部分利用POI之間的距離得出。
　　 (2)文中用到的POI中的經(jīng)緯度是來源于不同網(wǎng)絡(luò)電子地圖上的坐標(biāo)，同一實(shí)體在不同地圖上的坐標(biāo)不一致，對(duì)之后的POI融合工作造成了一定的影響。為解決這

4、個(gè)經(jīng)緯度標(biāo)準(zhǔn)不統(tǒng)一的問題，本文提到兩種解決方法，即基于糾偏表的方法和基于API的方法。
　　 (3)構(gòu)建了一個(gè)基于規(guī)則的分類模型，構(gòu)建過程中設(shè)置POI各字段內(nèi)部系數(shù)及閾值，經(jīng)過回歸計(jì)算，選取其區(qū)分POI是否可融合效果最好的一組系數(shù)和閾值構(gòu)建出了判定模型。這個(gè)計(jì)算過程復(fù)雜、耗時(shí)，并且不夠靈活，不具備自動(dòng)學(xué)習(xí)的能力。因此本文又利用機(jī)器學(xué)習(xí)分類器自身主動(dòng)學(xué)習(xí)的能力，構(gòu)造了幾種不同的分類模型，比較之后選出了較優(yōu)分類器，而實(shí)現(xiàn)分類性能的有

5、效提升。
　　 論文創(chuàng)新點(diǎn)如下:(1)考慮到因?yàn)樵~語的存在使得不同漢字具有不同的關(guān)聯(lián)性，本文假設(shè)中文字符串匹配的最小單位是詞，不再延用傳統(tǒng)中最小單位是單個(gè)漢字的假設(shè)。(2)融合了POI的非空間信息和空間信息作為判定可融合POI的依據(jù)，后通過一個(gè)基于規(guī)則的模型對(duì)POI進(jìn)行分類判斷。(3)利用機(jī)器學(xué)習(xí)中的分類方法，構(gòu)建了具備自主學(xué)習(xí)能力的POI可融合分類模型。
　　 實(shí)驗(yàn)表明，本文提出的技術(shù)方法可以在基本無人工干預(yù)下自動(dòng)、有