基于通名的中外地名分类体系同现映射研究

江西地名研究

关注我们，获取更多地名资讯

摘要：针对众源数据中外文地名分类体系差距大，侧重不同无法准确映射的问题，提出了一种基于通名同现关系的类别映射方法，以实现类别的准确映射。地名由专名和通名组成，通名是地名中用来区分各个地理实体类别的词。以地名数据集进行标注，对数据集的标注结果进行分析，可实现外文类别与中文类别的映射关系，同时，以geonames地名数据为实验数据，将该文提出的方法与基于规则、基于字面相似度的方法结果进行了比较。试验证明，该方法在大规模数据集上的映射效果显著，能够有效实现外文体系与中文体系类别之间的一对一、一对多及双向映射关系，同时数据映射效率明显优于其他方法，其在不同国家地名数据上具有适用性，有利于中外分类体系类别映射研究，对于建设标准化的全球地名数据库有重要意义。

关键词：同现映射；类别映射；分类体系

0

引言

目前，世界上大多数发达国家建立了自己的地名信息系统。我国地名信息建设近几年发展快速，民政部组织建设了全国地名数据库，但是缺少一个覆盖全球、可靠且具有统一技术标准的全球地名数据库。全球地名数据资源涉及范围广、国家多、语种多，不同国家和地区经济发展水平悬殊，信息资源差距明显，互联网发展不均衡。由于分类体系差异大，存在各自独立的分类准则，对我国地名信息标准化建设造成一定影响，来自众源数据的外文类别准确映射到中文类别的问题急需解决。

地名分类体系主要以地理实体为主要区分目标，不同地名分类体系对地理实体的囊括范围不同造成了分类的差异。分类法映射把分类法和分类法中的类目分别作为集合和集合中的元素，从类目概念出发，对一个分类法中的类目与另一个分类法中的一个或多个类目建立对应关系的过程。目前类别映射分为基于规则、基于统计、基于机器学习、基于深度学习、基于知识图谱的映射等方法。最基础的是简单规则映射，根据明确的、预先定义好的规则进行类别映射。其次是决策树映射，该方法通过对数据特征进行层层判断来实现类别映射。每个内部节点是一个属性上的测试，分支是测试输出，叶节点是类别。

基于机器学习的映射方法有朴素贝叶斯映射、支持向量机（SVM）映射等，SVM是通过寻找一个最优超平面，将不同类别的数据点分隔开，从而实现类别映射。对于线性可分的数据，SVM可以找到一个线性超平面；对于非线性数据，可以通过核函数将数据映射到高维空间，使其变得线性可分，文献［3］针对兴趣点（POI）数据提出一种基于词向量计算工具Word2vec和支持向量机的POI分类方法；近年来基于机器学习的映射方法研究更广泛，比如K近邻（KNN）方法，对于一个待分类样本，计算它与训练集中所有样本的距离，选取距离最近的K个样本，根据这K个样本的类别来确定待分类样本的类别，通常采用多数表决的方式，文献［4］提出了一种基于动态权重的地理要素类别语义相似度算法，根据不同类型的特征属性提出相应的相似度算法；文献［5］提出了一种结合字面相似度计算方法和语义对照模式，自动生成地理信息分类体系对照关系的方法；人工神经网络映射由大量的神经元相互连接组成，通过对训练数据的学习，自动提取数据的特征和模式，实现类别映射，文献［6］通过语料训练得到一个关于类目的分类器，利用机器学习得到专利与图书的类目映射；文献［7］采用基于中心结构模型的语义映射方法，初步构建关联映射表，收集生物医学领域数据基于inctes学科分析工具与期刊同现两种方法完成映射结果的优化与验证；文献［8］将词共现概念模型引入到文本相似度比较中，找出高频的共现词集，加强同一类别文本相似度比较的能力；而目前大多数学者基于深度学习研究映射方法，文献［9］提出了基于BERT预训练上下文语言模型的李生网络模型，对CLC与IPC的类目映射关系进行研究；文献［10］通过关键词提取、预训练语言模型、相似度计算及结果推荐，构建基于深度学习的物品编码映射模型，实现了关于物品编码的类别映射；文献［11］提出一种顾及描述知识的地理要素分类映射方法，建立综合相似性度量模型来评估地理要素类别的语义相似性；文献［12］提出了一种将社会网络分析思想与同现映射相融合的映射方法，对每个单位数据进行分类标注，结合类目相似度得到类目映射关系。基于知识图谱的本体的映射研究，利用知识图谱的本体结构和语义关系，根据实体的属性和与其他实体的关系，将其映射到合适的类别。文献［13］提出一种基于本体属性特征学习的地理要素分类语义映射方法；文献［14］提出一种基于类别核心词的概念映射方法，在概念空间上完成文本分类工作；文献［15］提出了一种新的基于本体属性特征学习的地理类别映射方法，该方法利用本体属性和地理类别的分类层次结构，用新的层次编码方法来描述类别的分类层次，并识别每个类别的分类状态然后采用一种基于BP神经网络的自学习映射机制，建立本体属性特征向量与分类状态之间的非线性关系，可以支持类别映射。

文献［16］分析天津市陆海地理要素分类分级差异，基于语义建立地形图和电子海图要素类别之间的对应关系，实现天津市陆海地理信息数据的语义融合；文献［17］通过语义映射方法实现IFC与CityGML标准的转换，验证了BIM与3D GIS结合对智慧城市三维建模的促进作用；文献［18］针对IFC与CityGML标准转换中的信息丢失和几何不精确问题，提出一种基于建筑构件类型和语义分析的完整映射方法，实现BIM到多层次CityGML模型的转换，文献［19］采用人工辅助方式提取通名，建立地名通名与地理要素类型之间的映射关系。目前关于地理信息领域的类别映射方法研究较少，基于人工的类别映射，耗时高、成本大，易出错且一致性差，难以扩展和适应变化；基于相似度和基于机器学习的映射均需要对语义或字面结构进行处理，处理跨语言、跨文化的地名映射时仍存在局限性，难以避免由语义或语种问题而导致的误差。若干个词经常共同出现（共现）在文本的同一窗口单元（如一句话、一个自然段等），则认为这若干个词在意义上是相互关联的。共现的概念最早出现在情报学中，通过对共现现象的分析可以更多地了解事物之间的关联性。充分理解词汇之间的共现关系，可以帮助我们挖掘出许多词汇间相关联的语义关系及深层含义，同时对自然语言分析起着重要作用。共现的概率越高，其相互关联越紧密，并且表示一定的语义概念。本文结合分类与映射思想，提出基于通名的类别同现映射方法：结合通名可以避免由于分类体系差异大，侧重不同造成分类错误，含有通名的地名作为大规模数据集，标注外文类别与类中文类别，计算同一类别组同现的条数，用Jaccard系数计算相似值并建立比较标准，能够获得具有普适性的映射关系，在其他国家含有相同类别组时能够快速映射中文类别。

1

中外分类体系分析

从编制体例上看，外文地名分类体系常采用等级列举式体系分类法，适用于地名的分层管理，特别是行政区划、地理空间分级等层级分明的场景。中文地名分类体系常采用线分类法，在编制原则、体系结构、聚类方式等方面有显著差异，难以准确映射，比如外文类别“学校”不区分中小学，外文分类体系常按照地理实体的类型和功能进行聚类，遵循从大到小、从一般到具体的逻辑逐级展开，层次清晰，形成一个覆盖自然地貌、行政区划、历史遗迹等涵盖广泛的分类体系，更注重地理实体的层次性和全球适用性，包含海底地形地貌等类别，更为广泛，没有针对性。中文地名分类体系描述特定活动与服务场所的点位，注重服务的本地化和实用性，其编制原则以数据源融合为基础，重点扩展了实体店铺、政府机关、地名等类别，具有唯一性、安全性、扩展性特点，一般有大类、中类和小类三级分类结构，配以标签和提示词，提供具体分类参考信息，便于数据的查询与标注。

2

基于通名的同现映射方法

2.1

方法原理

本文提出基于通名的同现映射方法能够较为准确地实现外文体系与中文体系之间的类别映射。其特点在于：①以基于同现的映射为基础，可以避免中外地名分类体系差异大，侧重点不同，类别与类别映射由此产生误差；②基于同现的映射作为目前得到较多验证和应用的映射方法，对数据集的要求很高，单条地名作为单位数据，在此基础上结合地名通名，从该视角对外文类别与中文类别进行匹配，更为高效和准确。同一个形式的通名在不同类别的含义不同，如外文通名“park”的中文含义有公园和停车场的意思，需要根据单位数据含有的地理信息标注符合的类别。当有足够量的结合通名后被外文体系与中文体系共同标引的数据时，能够较为精准地反映类别间的联系。

2.2

数据处理流程

2.2.1 数据标注

针对外文地名数据构建了双层次特征编码模型。首先通过外文分类体系的有限类别获取标准化的源类别中文译名，并基于双语通名映射库提取通名中文特征（如“酒店”）；继而采用Jieba分词工具对通名及源类别文本进行语义解构，通过中国科学院地名词向量预训练模型CAS-GeoBERT生成细粒度词向量，以通名词向量均值与源类别词向量均值拼接形成复合特征向量；对于目标分类体系中的国内地理实体类别，直接利用同源词向量模型生成基准向量表征。通过计算跨域特征向量与国内类别向量的余弦相似度实现自动分类，对未登录词导致的零向量异常及低相似度样本启动人工校正机制，数据标注过程如图1所示。

2.2.2 划分数据集

在原始数据集的基础上，单位数据因类别不同会有重复，为保证类别标注统一，逐步建立同现映射所需初始数据集与特殊数据集，具体步骤如图2所示。

1）外文地名为初始链接条件，并筛选出每个单位数据的通名为原始数据集；

2）以单位数据有通名地名和无通名地名为区分作为初始数据集；同时筛选完全一样的单位数据，包含有通名和无通名情况，为特殊数据集。

3）无通名地名以原始来源包含信息判断“通名”，外文体系类别和中文体系类别对每一个单位数据分别标注，初始数据集与特殊数据集中重复地名标注需统一，形成标注数据集。

2.3

相似度计算

由外文体系类别集合位M={m1，m2，···，mx}和中文体系类别集合为N={n1，n2，···，ny}，给定外文体系矩阵W=（w1，w2，···，wi）和中文矩阵体系V=（v1，v2，···，vj）其中每个单位数据都有与之对应的m（n）标注，将W与V中的元素组合形成新的数据矩阵E=WT×V，通过统计矩阵E中不同类别的频次来计算其相似度。

相似度的计算方法有很多种，本文采用Jaccard系数来计算类别间的相似度，给定两个集合A，B，Jaccard系数定义为A与B交集的大小与A与B并集的大小的比值，定义见式（1）。

与Jaccard系数相关的指标叫Jaccard距离，用于描述集合之间的相似度。Jaccard距离越大，样本相似度越低，定义见式（2）。

Jaccard系数在本文计算源类别与目标类别相似度计算，见式（3）~式（6）。

式中：m和n分别为源类别与目标类别；Sim(m，n)为源类别m和目标类别n之间的相似系数，取值范围为［0，1］，数值越大，则类别之间的相似程度越高；式（4）和式（5）中假定N为标注数据集中单位数据总量，N（m‌，n）为标注数据集中同时被类别m和类别n标注的单位数据总量，N（m̅，n̄）为标注数据集中既未被类别m，又未被类别n标注的单位数据总量，故源类别m与目标类别n之间的相似度公式可以转化为式（6）。

根据式（6）可以计算出两者的相似度。为进一步通过相似度取值大小判断两者是否存在映射，需要建立比较标准。从外文体系视角来看，设定当外文体系中某一类别mx与中文体系中某一类别ny之间的相似度取值大于类别mx与中文体系全部类别之间相似度最大值的1/4时，判断类别mx与类别ny间存在映射关系；基于中文体系视角同理。类别间存在映射的相似度判断标准见式（7）和式（8）。

综上，通过相似度计算以及取值标准的设定可合理判断两者是否存在映射，进而分别从外文体系与中文体系两个角度，推断两种分类体系类别间的映射关系。

3

实验结果与分析

3.1

实验数据

3.1.1 分类体系选取

基于通名的类别同现映射需要确定中外分类体系，美国地质调查局地名信息系统、Gazetteer for Scotland、英国国家地名数据库、Open Street Map（OSM）、Geonames等地名数据库都蕴含大量地理信息。从宏观角度上看，Geonames数据质量覆盖范围广泛、种类丰富，并且数据库是开源的，用户可以自由访问、下载并用于商业或学术研究，更适用于跨文化、国际化的应用场景，故外文地名分类体系选用geonames分类体系。中文地名分类体系选用天地图（Map World）分类体系，主要采用的国家标准GB/T 35648—2017。天地图是国家测绘地理信息局建设的地理信息综合服务网站，是我国自主构建的地理信息分类体系，主要面向国内的地图服务与地理信息应用场景。

3.1.2 数据集

基于通名的类别同现映射其次需要确定数据集，考虑到中外分类体系的应用性特征，数据要考虑国土面积、地理实体分布密度、数据丰富度与多样性等方面。geonames是一个基于社区众包的开源地图项目，其数据由用户贡献和维护，地名数据包含全球的地理信息，包括道路、建筑物、水体、公园、地标等。故选取geonames官网下载新西兰、墨西哥、南非、智利国家的地名，并进行样本均衡性处理共计71043条单位数据。

对用于映射研究的标注数据集中单位数据的中文体系和外文体系类别进行初步计量，发现基于通名的单位数据，涉及geonames676个类别中的281个，主要涉及天地图371个小类中的128个，基于geonames视角标注单位数据的原始类别部分结果（包含1000条以上地名的类别）如表1所示。

基于天地图视角标注单位数据的类别（包含1000条以上地名的类别）部分结果如表2所示。对比两表，由此可见，天地图中对自然地物的分类比较粗糙，而geonames中自然地物分类更加细致；对于非自然地物，天地图比geonames分类体系更为精准。

3.2

基于通名的同现映射示例

对天地图中与geonames中两个视角超过1000条单位数据的类别的映射关系进行分析。以geonames中的“htl”为例，具体分析过程如下：一方面，从geonames角度出发，在标注数据集中筛选出“htl”的单位数据，统计该部分数据，结果共涉及天地图中17个类别，计算标注数据集中同时被“htl”和天地图类别“星级宾馆”标注的单位数据总量N（htl，星级宾馆）=1816，未被两者标注的单位数据总量N（）=N̅（htl，星级宾馆）=67880，标注数据集中单位数据总量N为固定值71043，则类别“htl”与类别“星级宾馆”之间的相似度Sim(htl，星级宾馆)==0.5741。同理可分别计算出其他N（htl，旅馆、招待所）=776，N（htl，酒店式公寓）=148，N（htl，度假村、疗养院）=118，N（htl，民宿）=92，N（htl，商业性住宿）=52，N（htl，农林牧渔生产）=36，N（htl，野生动物保护区）=26，N（htl，居民住宿）=25，N（htl，自然地物）=21，N（htl，会议中心、展览中心）=20，N（htl，露营房车营地）=13，N（htl，自然村）=10，N（htl，运动场馆）=4，N（htl，集镇）=2，N（htl，博彩）=1，N（htl，咖啡馆）=1，N̅（htl，旅馆、招待所）=67599，N̅（htl，酒店式公寓）=67880，N̅（htl，度假村、疗养院）=67828，N̅（htl，民宿）=67878，N̅（htl，商业性住宿）=0，N̅（htl，农林牧渔生产）=64175，N̅（htl，野生动物保护区）=67842，N̅（htl，居民住宿）=65176，N̅（htl，自然地物）=61821，N̅（htl，会议中心、展览中心）=0，N̅（htl，露营房车营地）=61599，N̅（htl，自然村）=66929，N̅（htl，运动场馆）=67806，N̅（htl，集镇）=67828，N̅（htl，博彩）=67876，N̅（htl，咖啡馆）=67853；进一步得到geonames类别htl与天地图剩余16个类别间的相似度，结果如表3所示。

从表3可以看出geonames中的类别htl与天地图中的类别“星级宾馆”“旅馆、招待所”间的相似度取值符合类别间存在映射的相似度判断标准，即相似度取值大于类别htl与天地图全部类别之间的相似度最大值（0.58077）的1/4。另一方面，从天地图视角出发，在标注数据集中筛选出被类别“星级宾馆”标注的单位数据，发现只涉及geonames中htl、ghse类别，其次筛选被类别“旅馆、招待所”标注的单位数据，涉及geonames的6个类别，分别计算类别“旅馆、招待所”与6个geonames类别对应的数据量N（m，旅馆、招待所），N（m̅，），由此计算出天地图类别“旅馆、招待所”与geonames类别间的相似度，结果如表4所示。

从表4可以看出，天地图中“星级宾馆”仅与geonames中htl的相似度取值符合类别间存在映射的相似度判断标准，类别“旅馆、招待所”与geonames中htl、bldg的相似度取值大于类别“旅馆、招待所”与geonames全部类别之间的相似度最大值（0.22513）的1/4。如图3所示，在两种分类体系中，源类别htl与目标类别“星级宾馆”、“旅馆、招待所”之间为一对多的映射关系，类别“旅馆、招待所”与类别htl、bldg之间为一对多的映射关系，在geonames视角bldg与“旅馆、招待所”不符合映射相似度判断标准，故箭头由天地图视角“旅馆、招待所”单向映射“bldg”。

3.3

实验结果与分析

3.3.1 实验结果

分别从geonames与天地图两个视角出发，计算其余geonames类别与天地图类别间的相似度。将geonames（天地图）特定类别与天地图（geonames）全部类别间的相似度视为一组，对组内取值进行比较。结合类别间映射判断标准公式可以发现，在geonames视角上的映射关系如图3所示。

图4横坐标为1000条数据以上的geonames类别，纵坐标是基于通名与横坐标同现的天地图类比，图中标记的为同现关系，其中红色标记表示符合判断标准的类别即判断为横坐标与纵坐标的类别存在映射关系，蓝色标记为不符合判断标准的类别。基于天地图视角的映射关系，同样为1000条数据以上的天地图类别，由于包含1000条以上数据的天地图类别有15个，与其同现的geonames类别有157个，散点图很难清晰完整展示，比如“山”、“自然地物”与geonames中同现的类别数较多，主要因为天地图分类体系对与自然地物的划分比较笼统，洼地、沼泽、冰川之类的单位数据全部标注“自然地物”。

基于geonames和天地图两个视角，将两种分类法中的所有类别同现映射结果可视化，通过重叠的连线可发现类别间的双向映射关系，两者互为非一对一映射关系，如图5所示。两者互为一对一映射关系，如图6所示。

3.3.2 实验分析

在本文中人工分类的结果作为标准值，并经过专家组认定，人工分类结果构成标准摘要集，本文方法类别映射构成自动摘要集，对比二者的重叠单元数量，并计算重叠单元在标准摘要集中的占比，来评定类别映射的质量。本文基于通名的同现映射得到映射结果，同时为了验证本文方法的有效性，用基于规则和基于字面相似度（外文类别翻译为中文）的方法比较，并用准确率、召回率和F1值对分类结果进行评价分析，在地名类别映射实验对比结果如表5所示。结果表明基于通名的同现映射是最优选择，但在规则明确、简单的场景中，基于规则的映射也能提供可靠的结果，综合来看基于通名的同现映射方法较好。

4

结束语

针对中外地名分类体系之间缺乏有效的关联与映射这一问题，本文提出了一种基于通名的同现映射方法，建立了外文地名体系geonames与中文地名体系天地图类别之间的有效链接，实现了geonames与天地图类别之间的映射，探讨了从geonames视角出发的类别映射关系、从天地图视角出发的类别映射关系以及geonames与天地图小类类别之间的双向映射关系，同时对比基于规则的映射，基于字面相似度的映射的方法，有效证明本方法的优势。这些映射关系的识别有助于促进中外文地名的分类的互操作性。该方法对数据集的数量和质量都有较高的要求与标准，数据集越完善，映射结果就越准确。标注数据集中各类别下单位数据的数量分布并不均匀，但由于视角不同，geonames视角下类别均衡后天地图视角类别可能不均衡，比如geonames类别中的mt、pt、mts对应的天地图类别都为“山”。另外在处理特殊地名、罕见通名等情况时就面临着需要人工校正的问题，外文类别直接翻译为中文与中文类别直接进行映射可以用基于相似度的方法，但是由于地名来自用户贡献的网站，存在地名分类错误的问题，但是结合通名会减少由此带来的问题，后续会进一步研究将通名特征融入源类别中，生成词向量和子词向量；将通名对应中文翻译特征融入目标类别中，生成词向量和字向量，用机器学习的方法预训练一个适合地名类别映射的模型。

作者：何新雨 赵江洪 王继周 毛曦

来源：《测绘科学》2025年第9期

选稿：宋柄燃

编辑：宋柄燃

校对：郑雨晴

审订：杨 琪

责编：耿 曈

（由于版面内容有限，文章注释内容请参照原文）

微信扫码加入

中国地名研究交流群

QQ扫码加入

江西地名研究交流群

欢迎来稿！欢迎交流！

转载请注明来源：“江西地名研究”微信公众号