末端快递编码预测方法、系统、电子设备及可读存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113590781A(43)申请公布日2021.11.02(21)申请号202110813469.7(22)申请日2021.07.19(71)申请人上海东普信息科技有限公司地址201707上海市青浦区外青松公路5045号508室U区44号(72)发明人杨周龙王豹李斯(74)专利代理机构上海汉声知识产权代理有限公司31236代理人胡晶(51)Int.Cl.G06F16/332(2019.01)G06F16/35(2019.01)G06K9/62(2006.01)G06Q10/08(2012.01)权利要求书2页说明书9页附图5页(54)发明名称末端快递编码预测方法、系统、电子设备及可读存储介质(57)摘要本发明提供了一种末端快递编码预测方法、系统、电子设备及可读存储介质。其中末端快递编码预测方法具体包括：获取待派送快件的地址信息；根据预先训练的地址向量模型，对地址信息进行向量化处理，生成相应的第一地址向量；根据第一地址向量，于预先训练的向量搜索模型中进行相似向量搜索，获取相似程度最高的第二地址向量；获取第二地址向量对应的所述末端快递编码，并将该末端快递编码作为待派送快件的末端快递编码。通过本申请提出的技术方案，将收件地址信息借助中间向量映射到末端快递编码，对比传统预测方法能够大幅度提升地址识别率和预测准确率，并同时提升预测速度，具有可推广价值。CN113590781ACN113590781A权利要求书1/2页1.一种末端快递编码预测方法，其特征在于，所述末端快递编码预测方法包括：获取待派送快件的地址信息；根据预先训练的地址向量模型，对所述地址信息进行向量化处理，生成相应的第一地址向量；根据所述第一地址向量，于预先训练的向量搜索模型中进行相似向量搜索，获取相似程度最高的第二地址向量；获取所述第二地址向量对应的所述末端快递编码，并将所述末端快递编码作为所述待派送快件的所述末端快递编码。其中，所述地址向量模型和所述向量搜索模型基于同一训练样本训练得到。2.如权利要求1所述的末端快递编码预测方法，其特征在于，所述地址向量模型通过以下步骤训练得到：获取所述训练样本，所述训练样本中包含多条历史收件地址和多条历史末端快递编码，所述历史收件地址和所述历史末端快递编码一一对应；对所述历史收件地址进行文本特征提取，获取所述历史收件地址对应的特征信息；根据所述特征信息执行向量化操作，生成相应的所述地址向量，所述地址向量和所述历史末端快递编码一一对应；其中，相近的所述历史收件地址具有相近的所述地址向量。3.如权利要求1所述的末端快递编码预测方法，其特征在于，所述地址向量模型通过以下步骤训练得到：获取所述训练样本，所述训练样本中包含多条历史收件地址和多条历史末端快递编码，所述历史收件地址和所述历史末端快递编码一一对应；基于预设的神经网络框架模型和文本分类算法，通过训练样本获取所述历史收件地址与所述历史末端快递编码的映射关系；提取所述神经网络框架模型中的中间层的输出作为所述地址向量，所述地址向量和所述历史末端快递编码一一对应。4.如权利要求2或3中任意一项所述的末端快递编码预测方法，其特征在于，所述训练样本的获取步骤包括：获取预设省份的多条快递数据信息；对所述快递数据信息进行第一清洗处理，剔除与所述末端快递编码不相关联的所述快递数据信息，获得第一清洗数据；对所述第一清洗数据进行信息提取，获取所述第一清洗数据中所述快递数据信息的特征信息，所述特征信息包括历史收件地址信息、签收时间信息和历史末端快递编码信息；对所述特征信息进行第二清洗处理，依据所述签收时间信息对所述特征信息进行逆序排序并从中剔除包含重复的所述历史收件地址信息和/或包含空白信息的特征信息，获得第二清洗数据；将所述第二清洗数据作为所述训练样本。5.如权利要求4所述的末端快递编码预测方法，其特征在于，所述地址向量模型和所述向量搜索模型与所述预设省份相关联；每个所述预设省份对应一个所述地址向量模型。2CN113590781A权利要求书2/2页6.如权利要求2至5中任意一项所述的末端快递编码预测方法，其特征在于，所述向量搜索模型通过以下步骤训练得到：获取所述训练样本对应的所述地址向量；基于的预设向量搜索框架模型，根据所述地址向量和所述地址向量对应的所述历史末端快递编码构建向量搜索矩阵，所述向量搜索矩阵包括所述历史末端快递编码的有序值。7.如权利要求1所述的末端快递编码预测方法，其特征在于，于获取所述第二地址向量对应的所述末端快递编码之后，所述末端快递编码预测方法还包括：判断所述第一地址向量和所述第二地址向量的相似程度是否大于预设阈值；在所述第一地址向量和所述第二地址向量的相似程度大于所述预设阈值的情况下，将所述末端快递编码作为