郭利荣

（中数通信息有限公司 广东 广州 510630）

0 引言

随着计算机网络的发展与普及，许多传统的信息处理方式因此而改变，大量原本以书面方式存在的文本信息，被转换成数字信息进行传递[1]。从而极大地提升了信息的存储及传输效率，信息的总量爆炸式增加，然而具有价值的信息量并未随信息总量同比增长，具有价值的信息在信息规模爆炸的情况下反而更加难以获取。传统的信息检索方法无法有效地帮助使用者分析和理解规模巨大的文本数据，因此产生了许多试图从文本中获取知识的研究[2-3]。

文本挖掘与数据挖掘对比，其最大区别便是数据挖掘面向的数据集通常是结构化的，而文本挖掘所面对的文本信息往往是非结构化的[4-5]。文本挖掘最常见的对象就是网页文本。文本挖掘常常使用的技术有自然语言处理、统计分析、概率模式、机器学习等，运用及探究的方向主要有信息提取、文本摘要、信息过滤、对实体的标注、意见分析、关系探索、情感分析、文本分类、文本聚类等。文本挖掘的目的就是从非结构化的文字发掘出有用或是有趣的片段、模型、趋势和规律[6-7]。

目前，想要获取地址文本信息，主要来源是通过高德地图、百度地图等地理信息服务供应商[8]。这些供应商拥有开放的平台，可以获取大量的地址文本信息及其对应的地理信息。通过该平台开放的逆地理编码接口，使用随机生成的地理位置坐标信息，就能够获得大量的地址文本信息，这些地址文本信息是详细且结构化的。……