String metric/similarity/measure: 标识相同的地理位置（街道地址）
String metric/similarity/measure: Identify same geographical locations (street addresses)
当从某些网络服务搜索中检索地址时，会出现同一个实际地点的多个结果的问题。例如 "Reverse Geocoding API" by Google，文档中的示例：
"277 Bedford Avenue, Brooklyn, NY 11211, USA"
"Grand St/Bedford Av, Brooklyn, NY 11211, USA"
"Grand St/Bedford Av, Brooklyn, NY 11249, USA"
"Bedford Av/Grand St, Brooklyn, NY 11211, USA"
"Brooklyn, NY 11211, USA"
"Williamsburg, Brooklyn, NY, USA"
假设我只需要选择 1 和最详细的一个，那么天真的解决方案是 return 字符数最多的那个。
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。合适的 CS 主题是 String metric。我如何将这些算法应用于此任务？为什么大多数指标不适用于这种情况的一些问题：
单词顺序不一样
并非所有必要的词都应出现，例如描述符“St.”。等等
谢谢，
我不会在这里简单地比较字符串。尝试分析地址并识别组件。例如，在
277 Bedford Avenue, Brooklyn, NY 11211, USA
你可以看到：
- 以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。
- 前面的项目代表较小的区域，后面的项目代表较大的区域。您在街道、街道、城市、州、国家/地区拥有特定位置。最后一项并不总是国家，但您可以对照国家列表进行检查，只有在失败时才考虑其他选项。同样，州代码列表可让您识别纽约州。
- 靠近末尾的一长串数字可能是邮政编码。
- 开头的一个短（大概）号码（始终注意 'th' 和 'st' 等后缀）可能是街道号码。
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格通常具有相同的字段。
（实际上在 Google 的情况下，你甚至不必自己弄清楚，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，类似的事情适用，但更复杂：
Grand St/Bedford Av, Brooklyn, NY 11211, USA
'Av'和'St'需要转化为'Avenue'和'Street'。斜杠的含义不明确。我们可以把它当作一个逗号，将 "Grand St" 和 "Bedford Av" 视为两条不同的信息。但是从它们的位置和"Street"和"Avenue"这两个词，我们知道两者代表的是同一种东西。所以我们就说这个地方有两条街道，并保留开放的确切含义。也许是一个街角，也许同一条街有两个名字。
现在当您比较前两个实体时，您知道它们具有相同的国家/地区、邮政编码、州和城市，所以这是一个好的开始，但不是很具体。第一个的街道在第二个中提到了，所以很好。第二个提到额外街道的事实并不是真正的问题。问题是街道 (A, B) 和 (B, C) 的两个地方。街道号码不存在，但这只是意味着第二个位置不那么具体，所以就像第一个包含在第二个中一样。
你可以放心地断定第二个、第三个和第四个地址都是一样的。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地方无法匹配。邮政编码在数字上也很接近。如果国家或州不同，则它们不应该匹配，但可以创建警报，以便通知人员并查看是否有问题。还要确保你有一个合适的字典来规范同一个地方的不同名称，例如纽约 == 纽约。对于第四个地址，我们知道如何识别它有两条街道，我们可以忽略顺序（将街道视为一个集合）。
第五个地址同样是较小区域的较少信息，因此它包含以前的地址。请注意，如果您只比较第三个和第五个地址，它们将不匹配。这表明当您匹配前两个地址时，您应该 'merge' 它们并注意这两个邮政编码可能被认为是等同的。那么以后甚至可以说 "Brooklyn, NY 11211, USA" 和 "Brooklyn, NY 11249, USA" 匹配。
最后一个地址与其他任何地址都不匹配。但是，这仅考虑纯字符串形式。 Google 实际上提到威廉斯堡作为第一个地址。
当从某些网络服务搜索中检索地址时，会出现同一个实际地点的多个结果的问题。例如 "Reverse Geocoding API" by Google，文档中的示例：
"277 Bedford Avenue, Brooklyn, NY 11211, USA"
"Grand St/Bedford Av, Brooklyn, NY 11211, USA"
"Grand St/Bedford Av, Brooklyn, NY 11249, USA"
"Bedford Av/Grand St, Brooklyn, NY 11211, USA"
"Brooklyn, NY 11211, USA"
"Williamsburg, Brooklyn, NY, USA"
假设我只需要选择 1 和最详细的一个，那么天真的解决方案是 return 字符数最多的那个。
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。合适的 CS 主题是 String metric。我如何将这些算法应用于此任务？为什么大多数指标不适用于这种情况的一些问题：
单词顺序不一样
并非所有必要的词都应出现，例如描述符“St.”。等等
谢谢，
我不会在这里简单地比较字符串。尝试分析地址并识别组件。例如，在
277 Bedford Avenue, Brooklyn, NY 11211, USA
你可以看到：
- 以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。
- 前面的项目代表较小的区域，后面的项目代表较大的区域。您在街道、街道、城市、州、国家/地区拥有特定位置。最后一项并不总是国家，但您可以对照国家列表进行检查，只有在失败时才考虑其他选项。同样，州代码列表可让您识别纽约州。
- 靠近末尾的一长串数字可能是邮政编码。
- 开头的一个短（大概）号码（始终注意 'th' 和 'st' 等后缀）可能是街道号码。
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格通常具有相同的字段。
（实际上在 Google 的情况下，你甚至不必自己弄清楚，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，类似的事情适用，但更复杂：
Grand St/Bedford Av, Brooklyn, NY 11211, USA
'Av'和'St'需要转化为'Avenue'和'Street'。斜杠的含义不明确。我们可以把它当作一个逗号，将 "Grand St" 和 "Bedford Av" 视为两条不同的信息。但是从它们的位置和"Street"和"Avenue"这两个词，我们知道两者代表的是同一种东西。所以我们就说这个地方有两条街道，并保留开放的确切含义。也许是一个街角，也许同一条街有两个名字。
现在当您比较前两个实体时，您知道它们具有相同的国家/地区、邮政编码、州和城市，所以这是一个好的开始，但不是很具体。第一个的街道在第二个中提到了，所以很好。第二个提到额外街道的事实并不是真正的问题。问题是街道 (A, B) 和 (B, C) 的两个地方。街道号码不存在，但这只是意味着第二个位置不那么具体，所以就像第一个包含在第二个中一样。
你可以放心地断定第二个、第三个和第四个地址都是一样的。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地方无法匹配。邮政编码在数字上也很接近。如果国家或州不同，则它们不应该匹配，但可以创建警报，以便通知人员并查看是否有问题。还要确保你有一个合适的字典来规范同一个地方的不同名称，例如纽约 == 纽约。对于第四个地址，我们知道如何识别它有两条街道，我们可以忽略顺序（将街道视为一个集合）。
第五个地址同样是较小区域的较少信息，因此它包含以前的地址。请注意，如果您只比较第三个和第五个地址，它们将不匹配。这表明当您匹配前两个地址时，您应该 'merge' 它们并注意这两个邮政编码可能被认为是等同的。那么以后甚至可以说 "Brooklyn, NY 11211, USA" 和 "Brooklyn, NY 11249, USA" 匹配。
最后一个地址与其他任何地址都不匹配。但是，这仅考虑纯字符串形式。 Google 实际上提到威廉斯堡作为第一个地址。