基于自然语言处理的多源POI数据融合的研究
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 1 引言 | 第13-18页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.3 本文主要研究问题和内容 | 第15-16页 |
| 1.4 本文的章节安排 | 第16-18页 |
| 2 机器学习的分类模型 | 第18-29页 |
| 2.1 k-近邻算法 | 第18-21页 |
| 2.1.1 KNN 算法 | 第18-20页 |
| 2.1.2 距离加权最近邻算法 | 第20页 |
| 2.1.3 k-近邻的两个实践问题 | 第20-21页 |
| 2.2 决策树 C4.5 | 第21-24页 |
| 2.2.1 决策树简介 | 第21-22页 |
| 2.2.2 ID3 算法 | 第22-23页 |
| 2.2.3 C4.5 算法 | 第23-24页 |
| 2.3 强分类器 AdaBoost | 第24-26页 |
| 2.3.1 Adaboost 的基本算法 | 第25-26页 |
| 2.4 评估方法 | 第26页 |
| 2.5 Weka 简介 | 第26-28页 |
| 2.6 小结 | 第28-29页 |
| 3 基于各字段相似度的 POI 匹配 | 第29-46页 |
| 3.1 名称相似度 | 第29-32页 |
| 3.1.1 莱文史特距离算法 | 第29-30页 |
| 3.1.2 Jaccard 相似方法 | 第30页 |
| 3.1.3 Jaro 距离算法 | 第30页 |
| 3.1.4 字符串分词处理 | 第30-32页 |
| 3.2 地理信息的相似度 | 第32-37页 |
| 3.2.1 中文地址的相似度 | 第32-37页 |
| 3.2.2 空间地理信息相似度 | 第37页 |
| 3.3 国内经纬度的统一 | 第37-43页 |
| 3.3.1 问题描述 | 第37-40页 |
| 3.3.2 基于纠偏表的实现 | 第40-41页 |
| 3.3.3 基于 API 的实现 | 第41-43页 |
| 3.4 各字段匹配结果 | 第43-45页 |
| 3.4.1 字符串相似算法之间的比较 | 第43-44页 |
| 3.4.2 POI 的三个特征之间的比较 | 第44-45页 |
| 3.5 小结 | 第45-46页 |
| 4 可融合 POI 的分类 | 第46-56页 |
| 4.1 问题描述 | 第46-47页 |
| 4.2 基于规则的分类 | 第47-52页 |
| 4.2.1 分类模型 | 第47-49页 |
| 4.2.2 实验数据介绍 | 第49-50页 |
| 4.2.3 分类结果级分析 | 第50-52页 |
| 4.3 基于机器学习的分类 | 第52-55页 |
| 4.3.1 POI 相似度表示 | 第52-53页 |
| 4.3.2 机器学习分类模型 | 第53页 |
| 4.3.3 机器学习模型训练与分类过程 | 第53-54页 |
| 4.3.4 实验结果及分析 | 第54-55页 |
| 4.4 小结 | 第55-56页 |
| 5 多源 POI 数据融合系统 | 第56-61页 |
| 5.1 多源 POI 数据融合系统的简介 | 第56-60页 |
| 5.1.1 系统流程 | 第56-58页 |
| 5.1.2 网络地图的选择 | 第58-59页 |
| 5.1.3 http 代理服务的使用 | 第59-60页 |
| 5.2 小结 | 第60-61页 |
| 6 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61页 |
| 6.2 展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 个人简历 | 第67页 |
| 学术论文 | 第67页 |
| 研究项目 | 第67-68页 |
