结合多层感知器与KM算法的POI匹配方法

融合多源POI数据可提供更加丰富、完整的位置信息,但不同来源的POI数据在几何和语义表达方面存在差异,如何将异构POI数据集中的同名实体进行匹配是POI融合的关键问题。该文提出了一种结合机器学习与图论的POI匹配方法(MLP-KM方法),该方法兼顾POI的空间和非空间属性,综合考虑了几何位置、类别结构和名称属性的5个相似度度量特征,输入到多层感知器中计算匹配概率,从而避免人为分配权重造成的主观性影响;进一步引入KM图论算法,增加了相应的筛选条件与判定过程,解决了相似点对的混淆匹配问题。实验结果表明,该方法能够对相似POI进行精确识别与匹配,并有效剔除混淆匹配,提高了POI匹配精度。

基于Lucene的中文兴趣点名称的切分与匹配研究

该文针对现有的中文POI(points of interest)匹配中存在的不足,提出了基于角色标注的中文POI匹配的方法,提高了POI匹配的准确性和效率。其基本思想是:根据在POI匹配中的作用,在对POI分词的基础上用HMM(Hide Markov Model隐马模型)对POI的切分单位进行角色标注,切分单位的角色不同,其在匹配过程中的地位也不同,在精确匹配失败后,再根据角色信息进行模糊匹配,从而提高了中文POI匹配成功率。