基于概念格的多源POI分类体系融合研究

发布时间：2019-11-19 02:27

【摘要】：随着互联网的不断发展进步,早期Google Earth、互联网瓦片地图带给人们的新鲜感逐渐下降,电子地图仅满足浏览需求或者作为背景的时代已经过去,人们对地理位置服务提出了更高的需求,地图也亟需融入到大众的日常生活中。伴随着以位置服务为核心的“信息时代”的到来,位置服务成为学术界和产业界的研究热点,兴趣点(POI)数据是网络电子地图的最重要内容,也是互联网位置服务的立足之本。由于互联网上的POI数据来源不一,目前各主流的网络POI数据服务商,如ESRI、Google、天地图、百度、高德、腾讯等,都对POI数据进行了分类管理。但由于现阶段并没有统一的POI分类标准及分类体系,使得各网站POI数据提供商各自根据一定规范制定了相应的POI数据分类体系,导致网络上POI数据分类信息的名称及其包含的语义信息并不完全相同,无法直接进行比较与匹配,严重降低了网络POI的数据价值。本文引用概念格相关原理技术作为支撑,以深度学习的方法提取了POI地址中的语义因子,采用以同义词词林为基础的手段来实现POI分类语义因子的合并与优化,再通过不同分类体系中分类概念之间形式背景矩阵的构建,并以此为基础,利用Chein算法自动生成POI分类体系的概念格,实现网络POI分类体系的相互关联和映射。本文以Google、天地图、百度、高德等互联网公司的数据和分类标准作为实验数据,最终生成了一个可扩展、可兼容和更新的新的分类体系,实验证明,新的分类体系有着良好的效果,达到了预期目标。主要的工作内容和创新点:(1)生成一个新的POI分类体系,并且对来自多源POI分类体系的变化做到可兼容,可扩展,可更新;(2)提出了一种基于深度学习算法的POI地址切分算法;(3)实现网络多源POI分类体系的相互关联和映射。
【图文】：

算法,精度,对词,程序

图 3.6 切分程序展示以上实验可以看出，本文算法在精度上较传统 FMM 算法有较大程度提升的地址越多，，精度也越高，同时减低了对词典的依赖，但是效率有所降低

部分内容,特征词,扩展版

4 分类语义因子合并与优化4.1 引言过第三章的语义因子提取处理之后，得到了 POI 的特征词，但是在这些处理后中经常会出现如“健身房”与“健身馆”、“茶楼”与“茶馆”、“茶社”等词语相近或义的特征词，或者在汉语原意中有一词多义的特征词以及某些具有强关联的特时候就必须对得到的特征词集合进行合并与优化处理。为此，本节采用基于同的特征词优化方法。文选取《同义词词林扩展版》作为同义词词典进行同义词合并处理。该词典最家驹等于 1983 年编纂而成，后经过哈尔滨工业大学信息检索实验室重新扩展形成一部具有汉语大词表的“哈工大信息检索研究室同义词词林扩展版”——《林扩展版》，词典中的内容主要包括一个词语的同义词以及一定数量的同类词录词语超过 7 万条，其部分内容如下图 4.1 所示。
【学位授予单位】：兰州交通大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：P208

【参考文献】