大模型多路召回優化驅動的地名地址精準匹配研究

江西地名研究

關注我們，獲取更多地名資訊

摘要：該文針對地名地址匹配中由模糊、不完整與非標準化輸入帶來的挑戰，提出一種以大模型驅動的多路召回優化方法。該方法融合4類互補召回策略，關鍵詞與倒排索引保障基礎匹配效率與可解釋性；向量相似度增強語義變體的識別；地理鄰近度利用空間坐標提升模糊地理參照處理；大模型生成式召回覆蓋非規范化輸入。基于廣州市標準地名庫并構造含21300條擾動地址的測試集，實驗結果顯示該方法在準確率、召回率、MRR及NDCG@10等指標上均顯著優于單一路徑基線，驗證該策略在復雜輸入場景下的有效性與魯棒性，為高精度地名地址匹配提供可行技術路徑。

關鍵詞：地名地址匹配；多路召回；大模型；語義檢索；倒排索引

地名地址的精準匹配是地理信息系統、智能導航、電子政務、應急指揮與社會治理等領域的基礎性任務。隨著位置感知服務和大規模城市數據的快速發展，來自社交媒體、行業數據庫與開放街圖等異構數據源中大量非規范化地址的涌入，使得對匹配方法的魯棒性與可解釋性提出了更高要求。精準匹配不僅關系到信息檢索與位置信息的可用性，更直接影響資源調配與公共服務效率。

當前匹配任務面臨多重挑戰：地名存在同名、別名與簡稱，導致語義歧義；地址文本常伴隨缺失、口語化或拼寫錯誤，形式從標準化門牌到自由描述差異巨大；行政區劃調整、道路更名及區域語言差異加劇了匹配難度；在大規模候選與實時應用場景下，需在召回率、精度與計算成本間取得平衡。傳統規則或字符串方法雖具可解釋性，但語義泛化不足；機器學習與深度學習方法則依賴大量標注數據，且在稀疏實體和空間約束下表現有限。

近年來，大模型在語義理解與生成上的優勢為模糊匹配提供了新可能；多路召回策略則通過融合詞法、語義、知識庫與空間通路提升覆蓋率。但如何解決生成可信度、跨通路去重沖突及空間約束融合，仍是關鍵問題。基于此，本文提出一種大模型多路召回優化驅動的地名地址精準匹配方法，旨在在保證高召回率的同時提升準確性與可解釋性。

HOME

1 地名地址檢索多路召回機制優化

為實現地名地址的高精度與高覆蓋率檢索，本研究在召回階段設計并優化了多路召回機制。該機制綜合利用多類互補策略，從不同維度提升候選集合的完整性與魯棒性。關鍵詞與倒排索引召回側重于基于詞法的高效匹配，確保基礎檢索的準確性與可解釋性；向量相似度召回通過語義嵌入與相似度計算提升對語義變體與表達多樣性的適應能力；地理空間鄰近度召回則利用地理坐標與空間索引增強對含模糊空間參照查詢的處理能力；而大模型生成式召回依托預訓練語言模型的生成與推理能力，實現查詢意圖補全與復雜語境下的智能擴展。

1.1 關鍵詞與倒排索引召回

地名地址檢索的召回環節是保障結果全面性的基礎，關鍵詞與倒排索引召回作為該環節的核心技術之一，其本質是通過構建檢索詞與地址記錄的映射關系，實現檢索詞與地址庫條目的高效匹配。該方法的技術流程可分為索引構建與查詢匹配兩階段：在索引構建階段，首先對地址庫中的每條記錄（記為文檔集合D={d1，d2，…，dn}）進行分詞處理，得到各文檔的檢索詞集合T（di）={ti1，ti2，…，tik}，其中tij代表文檔di中的第j個關鍵詞；隨后構建倒排索引結構I

I={ i ，TF（t，d i ））|t∈T（d i ）}>|t∈U diε D T（d i ）}，（1）式中：TF（t，d i ）為關鍵詞t在文檔d i 中頻率，用于量化術語對文檔的表征權重，用于量化術語對文檔的表征貢獻。

在查詢匹配階段，系統對用戶查詢q進行與索引構建一致的預處理與分詞，得到查詢術語集合；借助倒排索引 I 快速定位包含相應術語的地址候選，并通過術語權重聚合篩選初始候選集。為緩解地名在語義與書寫層面的歧義，分詞與匹配環節引入規范化與消歧策略，常用方法包括同義詞/別名詞典、拼寫校正、音近詞規則及基于語料的共現度量。利用互信息等共現指標衡量詞對語義相關性，可優先保留關聯度高的分詞組合，從而抑制因錯誤分詞或低關聯序列導致的誤召回。

1.2 向量相似度召回

向量相似度召回突破了傳統關鍵詞召回依賴文本形式匹配的局限性，通過深度語義表示技術將地名地址文本與用戶查詢統一映射至低維稠密向量空間，從而實現語義層面的候選檢索。該方法的核心由向量嵌入與相似度計算構成。

在向量嵌入階段，采用大規模預訓練語言模型結合地名地址領域語料進行微調，構建領域適配的嵌入函數f：X→Rm，其中X為地名地址文本集合，Rm為m維向量空間。對于任意地名地址文本x（含用戶查詢q與地址庫記錄d），其嵌入向量分別表示為vq=f（q）與vd=f（d）。為提升嵌入向量的領域表征能力，微調過程采用對比學習損失，通過構建正負樣本對優化模型參數，損失函數定義為

式中：Vd+為與查詢q語義相關的正例向量，D-為負例集合（語義無關的地址記錄），Sim（，）為相似度度量函數，τ為溫度參數（控制相似度分布的平滑程度）。通過優化該損失函數，模型能夠在嵌入空間中拉近正例對的距離、拉遠負例對的距離，從而獲得良好的語義區分能力。

然而，地名地址庫規模龐大，若直接計算查詢向量與全部候選向量的相似度，將面臨顯著的效率瓶頸。為此，常引入近似最近鄰（Approximate Nearest Neighbor，ANN），如倒排分區、向量量化分桶與圖結構搜索，以在保證高召回率的同時顯著降低延遲與計算開銷。

向量相似度召回的核心優勢在于可識別表述差異較大但語義等價或接近的地名地址。結合領域語料微調的嵌入模型與高效ANN索引，該方法在準確性與覆蓋度方面優于傳統關鍵詞召回，并在大規模數據環境下兼具魯棒性與可擴展性。

1.3 地理空間鄰近度召回

地理空間鄰近度召回旨在從空間維度補充純文本匹配的局限性，其核心思想是利用地名地址的地理坐標信息，通過空間關系計算篩選與用戶查詢相關的候選地址。這種方法尤其適用于包含模糊地理參照的檢索場景，例如“廣州塔附近”或“天河體育中心對面”。整體流程可劃分為地理編碼和空間索引優化。

地理編碼是將文本地址轉換為地理坐標的關鍵步驟。通過地理編碼函數將任意地址映射為經緯度坐標。如果查詢涉及區域范圍，則可將其映射為矩形邊界（Minimum Bounding Rectangle，MBR）。對于用戶查詢中包含地理參照信息（如“廣州塔附近5km”），首先通過反向地理編碼獲取參照實體的坐標，然后定義查詢空間范圍。

空間索引優化用于提升大規模地理數據下的檢索效率。常用方法包括R樹、四叉樹等空間索引結構。以R樹為例，每個節點對應一個MBR，葉子節點存儲具體地址的MBR與坐標信息，非葉子節點存儲子節點的MBR集合。在查詢時，首先通過節點MBR與查詢范圍Q的交集判斷篩選候選節點，再遞歸遍歷子節點直至葉子節點，最后結合空間距離計算確定符合條件的候選地址。此外，可結合行政區劃邊界（如省、市、區的MBR）對候選集進行二次過濾，從而進一步提高空間匹配的精度。

1.4 大模型生成怯召回

大模型生成式召回充分利用大規模預訓練語言模型的生成與推理能力，在召回階段對不完整、模糊或隱含用戶意圖的查詢實現語義補全與候選擴展。形式化地，給定用戶查詢q及檢索背景知識K（如知識庫、地名別名表、地圖元數據等），生成模型以條件概率形式生成候選表述c，并將其納入候選集合C

生成式召回的顯著優勢在于其能夠基于上下文進行實體聯想與語義重構。為盡量抑制幻覺并提升生成項的可驗證性，常見優化包括：一是基于提示工程設計結構化輸出模板，使生成結果更易解析與對齊；二是結合知識圖譜或實體鏈接模塊對生成結果進行后驗證；三是采用受約束解碼或檢索增強生成模式，用外部索引約束模型采樣空間，減少不可驗證的輸出。

在實際系統中，生成式召回通常與關鍵詞、向量和空間召回并行工作，以并集或融合評分的方式形成最終候選池。通過統一的多模態特征與學習到的排序器對候選進行精排，以實現高精度、高覆蓋率與低誤召回率的地名地址檢索系統。生成式召回不僅擴展了檢索的泛化能力，也為復雜場景下的用戶意圖理解提供了新的技術路徑。

HOME

2 系統設計和實驗驗證

2.1 系統架構設計

本研究構建的地名地址精準匹配系統，采用大模型多路召回優化技術，整體架構自上而下劃分為6層，如圖1所示。各層通過服務化接口和數據流實現協同工作，形成從數據接入、候選生成、融合排序到最終匹配結果輸出的完整閉環。

2.2 實驗數據集

本研究以經系統治理的廣州市標準地名地址庫作為基礎數據集，共含2611788條記錄，覆蓋道路、小區、院落與門址等實體。數據治理包括冗余剔除、格式統一、要素補全與坐標校驗，確保數據完整性與空間可靠性。數據以CSV格式存儲，每條記錄含地址唯一標識、行政區劃編碼、標準化文本及廣州2000坐標系下的空間坐標等核心字段。

為模擬真實應用中的模糊與非規范輸入，研究在街道（鎮）層面進行分層抽樣，選取5000條基準地址，覆蓋廣州市11區50個街道/鎮，并基于3類擾動規則生成測試集：其一為語義要素缺失（如省略區/鎮或門牌號）；其二為語法結構變動（調整要素順序）；其三為字符級擾動（同音/形近字替換、冗余或缺失），并附加模糊空間描述（如“附近”“往東100m”）。

最終共生成21300條擾動樣本，并與基準地址ID建立映射，形成高質量測試集，為地名地址匹配方法的準確性與魯棒性評估提供可靠依據。

2.3 實驗結果分析

為全面評估所提方法的有效性，本文選取了覆蓋詞法、語義、空間與生成4類策略的代表性基線：倒排索引（基于詞項匹配的經典文本檢索）、向量語義召回（基于深度語義表示的向量檢索）、地理鄰近度召回（基于經緯度的最近鄰檢索）以及大模型生成式召回（利用預訓練語言模型生成候選）。在評測指標上，綜合考慮匹配準確性與覆蓋性，本研究采用準確率、召回率、平均倒數排名（MRR）和NDCG@10作為核心評價指標。各召回方法在地名地址匹配任務中的性能對比見表1。

傳統倒排索引在規范化文本上表現尚可，但面對模糊、口語化或信息缺失的輸入時性能顯著下降。向量語義與地理鄰近召回分別在語義變異與空間約束方面提供了補償，但各自存在偏向性（向量召回弱化地理約束，空間召回難以消解語義歧義）。大模型生成式召回在理解非規范化輸入方面表現優異，但單一生成策略在排序與約束融合上仍有短板。相比之下，多路召回優化通過融合詞法、語義、空間與生成通路并輔以排序優化（如加權融合與再排序），在4項核心指標上均取得顯著提升——準確率提升至90.3%、NDCG@10達0.843，表明該方法能在復雜輸入場景下有效整合多源證據，實現高精度、高覆蓋率的地名地址匹配。

HOME

3 結束語

本文提出并驗證了一種大模型驅動的多路召回優化框架，融合關鍵詞倒排、語義向量、地理鄰近、知識/生成式召回等多維信息，對基于廣州市261萬條標準地址庫構建的擾動測試集進行系統評估。實驗顯示，該方法將準確率提升至90.3%，并在召回率、MRR與NDCG等指標上顯著優于多種基線，證明了在模糊、口語化與非規范化輸入場景下的魯棒性與泛化能力。研究的主要局限包括測試數據以單一城市為主和召回融合仍依賴啟發式策略；后續可在跨區域、多語言場景中驗證方法的通用性，并探索基于學習的動態融合與在線自適應優化以進一步提升性能與可擴展性。

作者：唐振明

來源：《科技創新與應用》2025年第36期

選稿：耿 曈

編輯：杜佳玲

校對：楊 琪

審訂：宋柄燃

責編：杜佳玲

（由于版面內容有限，文章注釋內容請參照原文）

微信掃碼加入

中國地名研究交流群

QQ掃碼加入

江西地名研究交流群

歡迎來稿！歡迎交流！

轉載請注明來源：“江西地名研究”微信公眾號