大模型多路召回优化驱动的地名地址精准匹配研究

江西地名研究

关注我们，获取更多地名资讯

摘要：该文针对地名地址匹配中由模糊、不完整与非标准化输入带来的挑战，提出一种以大模型驱动的多路召回优化方法。该方法融合4类互补召回策略，关键词与倒排索引保障基础匹配效率与可解释性；向量相似度增强语义变体的识别；地理邻近度利用空间坐标提升模糊地理参照处理；大模型生成式召回覆盖非规范化输入。基于广州市标准地名库并构造含21300条扰动地址的测试集，实验结果显示该方法在准确率、召回率、MRR及NDCG@10等指标上均显著优于单一路径基线，验证该策略在复杂输入场景下的有效性与鲁棒性，为高精度地名地址匹配提供可行技术路径。

关键词：地名地址匹配；多路召回；大模型；语义检索；倒排索引

地名地址的精准匹配是地理信息系统、智能导航、电子政务、应急指挥与社会治理等领域的基础性任务。随着位置感知服务和大规模城市数据的快速发展，来自社交媒体、行业数据库与开放街图等异构数据源中大量非规范化地址的涌入，使得对匹配方法的鲁棒性与可解释性提出了更高要求。精准匹配不仅关系到信息检索与位置信息的可用性，更直接影响资源调配与公共服务效率。

当前匹配任务面临多重挑战：地名存在同名、别名与简称，导致语义歧义；地址文本常伴随缺失、口语化或拼写错误，形式从标准化门牌到自由描述差异巨大；行政区划调整、道路更名及区域语言差异加剧了匹配难度；在大规模候选与实时应用场景下，需在召回率、精度与计算成本间取得平衡。传统规则或字符串方法虽具可解释性，但语义泛化不足；机器学习与深度学习方法则依赖大量标注数据，且在稀疏实体和空间约束下表现有限。

近年来，大模型在语义理解与生成上的优势为模糊匹配提供了新可能；多路召回策略则通过融合词法、语义、知识库与空间通路提升覆盖率。但如何解决生成可信度、跨通路去重冲突及空间约束融合，仍是关键问题。基于此，本文提出一种大模型多路召回优化驱动的地名地址精准匹配方法，旨在在保证高召回率的同时提升准确性与可解释性。

HOME

1 地名地址检索多路召回机制优化

为实现地名地址的高精度与高覆盖率检索，本研究在召回阶段设计并优化了多路召回机制。该机制综合利用多类互补策略，从不同维度提升候选集合的完整性与鲁棒性。关键词与倒排索引召回侧重于基于词法的高效匹配，确保基础检索的准确性与可解释性；向量相似度召回通过语义嵌入与相似度计算提升对语义变体与表达多样性的适应能力；地理空间邻近度召回则利用地理坐标与空间索引增强对含模糊空间参照查询的处理能力；而大模型生成式召回依托预训练语言模型的生成与推理能力，实现查询意图补全与复杂语境下的智能扩展。

1.1 关键词与倒排索引召回

地名地址检索的召回环节是保障结果全面性的基础，关键词与倒排索引召回作为该环节的核心技术之一，其本质是通过构建检索词与地址记录的映射关系，实现检索词与地址库条目的高效匹配。该方法的技术流程可分为索引构建与查询匹配两阶段：在索引构建阶段，首先对地址库中的每条记录（记为文档集合D={d1，d2，…，dn}）进行分词处理，得到各文档的检索词集合T（di）={ti1，ti2，…，tik}，其中tij代表文档di中的第j个关键词；随后构建倒排索引结构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 ）为关键词t在文档d i 中频率，用于量化术语对文档的表征权重，用于量化术语对文档的表征贡献。

在查询匹配阶段，系统对用户查询q进行与索引构建一致的预处理与分词，得到查询术语集合；借助倒排索引 I 快速定位包含相应术语的地址候选，并通过术语权重聚合筛选初始候选集。为缓解地名在语义与书写层面的歧义，分词与匹配环节引入规范化与消歧策略，常用方法包括同义词/别名词典、拼写校正、音近词规则及基于语料的共现度量。利用互信息等共现指标衡量词对语义相关性，可优先保留关联度高的分词组合，从而抑制因错误分词或低关联序列导致的误召回。

1.2 向量相似度召回

向量相似度召回突破了传统关键词召回依赖文本形式匹配的局限性，通过深度语义表示技术将地名地址文本与用户查询统一映射至低维稠密向量空间，从而实现语义层面的候选检索。该方法的核心由向量嵌入与相似度计算构成。

在向量嵌入阶段，采用大规模预训练语言模型结合地名地址领域语料进行微调，构建领域适配的嵌入函数f：X→Rm，其中X为地名地址文本集合，Rm为m维向量空间。对于任意地名地址文本x（含用户查询q与地址库记录d），其嵌入向量分别表示为vq=f（q）与vd=f（d）。为提升嵌入向量的领域表征能力，微调过程采用对比学习损失，通过构建正负样本对优化模型参数，损失函数定义为

式中：Vd+为与查询q语义相关的正例向量，D-为负例集合（语义无关的地址记录），Sim（，）为相似度度量函数，τ为温度参数（控制相似度分布的平滑程度）。通过优化该损失函数，模型能够在嵌入空间中拉近正例对的距离、拉远负例对的距离，从而获得良好的语义区分能力。

然而，地名地址库规模庞大，若直接计算查询向量与全部候选向量的相似度，将面临显著的效率瓶颈。为此，常引入近似最近邻（Approximate Nearest Neighbor，ANN），如倒排分区、向量量化分桶与图结构搜索，以在保证高召回率的同时显著降低延迟与计算开销。

向量相似度召回的核心优势在于可识别表述差异较大但语义等价或接近的地名地址。结合领域语料微调的嵌入模型与高效ANN索引，该方法在准确性与覆盖度方面优于传统关键词召回，并在大规模数据环境下兼具鲁棒性与可扩展性。

1.3 地理空间邻近度召回

地理空间邻近度召回旨在从空间维度补充纯文本匹配的局限性，其核心思想是利用地名地址的地理坐标信息，通过空间关系计算筛选与用户查询相关的候选地址。这种方法尤其适用于包含模糊地理参照的检索场景，例如“广州塔附近”或“天河体育中心对面”。整体流程可划分为地理编码和空间索引优化。

地理编码是将文本地址转换为地理坐标的关键步骤。通过地理编码函数将任意地址映射为经纬度坐标。如果查询涉及区域范围，则可将其映射为矩形边界（Minimum Bounding Rectangle，MBR）。对于用户查询中包含地理参照信息（如“广州塔附近5km”），首先通过反向地理编码获取参照实体的坐标，然后定义查询空间范围。

空间索引优化用于提升大规模地理数据下的检索效率。常用方法包括R树、四叉树等空间索引结构。以R树为例，每个节点对应一个MBR，叶子节点存储具体地址的MBR与坐标信息，非叶子节点存储子节点的MBR集合。在查询时，首先通过节点MBR与查询范围Q的交集判断筛选候选节点，再递归遍历子节点直至叶子节点，最后结合空间距离计算确定符合条件的候选地址。此外，可结合行政区划边界（如省、市、区的MBR）对候选集进行二次过滤，从而进一步提高空间匹配的精度。

1.4 大模型生成怯召回

大模型生成式召回充分利用大规模预训练语言模型的生成与推理能力，在召回阶段对不完整、模糊或隐含用户意图的查询实现语义补全与候选扩展。形式化地，给定用户查询q及检索背景知识K（如知识库、地名别名表、地图元数据等），生成模型以条件概率形式生成候选表述c，并将其纳入候选集合C

生成式召回的显著优势在于其能够基于上下文进行实体联想与语义重构。为尽量抑制幻觉并提升生成项的可验证性，常见优化包括：一是基于提示工程设计结构化输出模板，使生成结果更易解析与对齐；二是结合知识图谱或实体链接模块对生成结果进行后验证；三是采用受约束解码或检索增强生成模式，用外部索引约束模型采样空间，减少不可验证的输出。

在实际系统中，生成式召回通常与关键词、向量和空间召回并行工作，以并集或融合评分的方式形成最终候选池。通过统一的多模态特征与学习到的排序器对候选进行精排，以实现高精度、高覆盖率与低误召回率的地名地址检索系统。生成式召回不仅扩展了检索的泛化能力，也为复杂场景下的用户意图理解提供了新的技术路径。

HOME

2 系统设计和实验验证

2.1 系统架构设计

本研究构建的地名地址精准匹配系统，采用大模型多路召回优化技术，整体架构自上而下划分为6层，如图1所示。各层通过服务化接口和数据流实现协同工作，形成从数据接入、候选生成、融合排序到最终匹配结果输出的完整闭环。

2.2 实验数据集

本研究以经系统治理的广州市标准地名地址库作为基础数据集，共含2611788条记录，覆盖道路、小区、院落与门址等实体。数据治理包括冗余剔除、格式统一、要素补全与坐标校验，确保数据完整性与空间可靠性。数据以CSV格式存储，每条记录含地址唯一标识、行政区划编码、标准化文本及广州2000坐标系下的空间坐标等核心字段。

为模拟真实应用中的模糊与非规范输入，研究在街道（镇）层面进行分层抽样，选取5000条基准地址，覆盖广州市11区50个街道/镇，并基于3类扰动规则生成测试集：其一为语义要素缺失（如省略区/镇或门牌号）；其二为语法结构变动（调整要素顺序）；其三为字符级扰动（同音/形近字替换、冗余或缺失），并附加模糊空间描述（如“附近”“往东100m”）。

最终共生成21300条扰动样本，并与基准地址ID建立映射，形成高质量测试集，为地名地址匹配方法的准确性与鲁棒性评估提供可靠依据。

2.3 实验结果分析

为全面评估所提方法的有效性，本文选取了覆盖词法、语义、空间与生成4类策略的代表性基线：倒排索引（基于词项匹配的经典文本检索）、向量语义召回（基于深度语义表示的向量检索）、地理邻近度召回（基于经纬度的最近邻检索）以及大模型生成式召回（利用预训练语言模型生成候选）。在评测指标上，综合考虑匹配准确性与覆盖性，本研究采用准确率、召回率、平均倒数排名（MRR）和NDCG@10作为核心评价指标。各召回方法在地名地址匹配任务中的性能对比见表1。

传统倒排索引在规范化文本上表现尚可，但面对模糊、口语化或信息缺失的输入时性能显著下降。向量语义与地理邻近召回分别在语义变异与空间约束方面提供了补偿，但各自存在偏向性（向量召回弱化地理约束，空间召回难以消解语义歧义）。大模型生成式召回在理解非规范化输入方面表现优异，但单一生成策略在排序与约束融合上仍有短板。相比之下，多路召回优化通过融合词法、语义、空间与生成通路并辅以排序优化（如加权融合与再排序），在4项核心指标上均取得显著提升——准确率提升至90.3%、NDCG@10达0.843，表明该方法能在复杂输入场景下有效整合多源证据，实现高精度、高覆盖率的地名地址匹配。

HOME

3 结束语

本文提出并验证了一种大模型驱动的多路召回优化框架，融合关键词倒排、语义向量、地理邻近、知识/生成式召回等多维信息，对基于广州市261万条标准地址库构建的扰动测试集进行系统评估。实验显示，该方法将准确率提升至90.3%，并在召回率、MRR与NDCG等指标上显著优于多种基线，证明了在模糊、口语化与非规范化输入场景下的鲁棒性与泛化能力。研究的主要局限包括测试数据以单一城市为主和召回融合仍依赖启发式策略；后续可在跨区域、多语言场景中验证方法的通用性，并探索基于学习的动态融合与在线自适应优化以进一步提升性能与可扩展性。

作者：唐振明

来源：《科技创新与应用》2025年第36期

选稿：耿 曈

编辑：杜佳玲

校对：杨 琪

审订：宋柄燃

责编：杜佳玲

（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