一种多源异构的多属性POI融合方法

摘要

本发明公开了一种多源异构的多属性POI融合方法，首先从POI数据源A、B处获得需要进行融合的数据集，并分别对两异构属性的数据集进行去重处理；分别遍历两数据集中的每个POI，在遵循属性相似度计算规则的前提下，计算各POI每个属性的相似度，得到属性相似度矩阵；求解加权多属性POI相似度向量；计算POI相似度向量中各分量的最大值Max，并与阈值T进行比较；对代表同一地理实体的POI进行不同属性项的增加、同一属性项属性值的合并。该方法通过属性对整体的重要性及影响程度不同，差异化的考虑POI的各不同类型属性，更符合POI融合的实际操作，能够显著提高POI自动融合的准确率和效率。

主权项

一种多源异构的多属性POI融合方法，其特征在于，包括以下步骤：步骤1：确定需要进行POI融合的空间范围，从POI数据源A、B处获得需要进行融合的数据集D_A、D_B，并分别对两异构属性的数据集进行去重处理；步骤2：分别遍历D_A、D_B中的每个POI，在遵循属性相似度计算规则的前提下，计算各POI每个属性的相似度s_ij，得到属性相似度矩阵所述的属性相似度计算规则为：如果一个属性在第一个数据集中有而在第二个数据集中没有或者在第一个数据集中没有而在第二个数据集中有，则该属性的相似度s_ij就记为0；如果一个属性在两个数据集中均存在，则按照属性相似度计算公式进行相似度计算；所述的属性相似度，根据属性类型分为空间属性相似度、无序标称属性相似度、层次结构属性相似度、描述性属性相似度；四类属性相似度的计算公式分别为：(1)空间属性相似度s_ij，空间属性是指POI的经度和纬度属性，相似度计算公式如下：s_ij＝2^‑dist；$dist=\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2};$其中，x_i、x_j为POI的经度；y_i、y_j为POI的纬度；dist为两POI的欧几里得距离；(2)无序标称属性相似度s_ij，无序标称属性是指无程度差别或次序的由字符串组成的属性，相似度计算公式如下：$s_{ij}=\frac{1}{3}(\frac{\left|N_1^{\prime }\right|}{\left|N_1\right|}+\frac{\left|N_2^{\prime }\right|}{\left|N_2\right|}+\frac{\left|N_1^{\prime }\right|-T_{1,2}}{2\left|N_1^{\prime }\right|});$其中，N₁、N₂为两字符串的长度；N′₁、N′₂为两字符串中相同字符的数目；T_1,2为两个字符串中需要进行字符替换的数目；(3)层次结构属性相似度s_ij，层次结构属性是指具有层次结构关系的属性，属性值可以是某一层的值或者不同层的值之间的组合，相似度计算公式如下：$s_{ij}=\frac{\underset{i=1}{\overset{n}{\Sigma }}{V}_1\times V_2}{\sqrt{\underset{i=1}{\overset{n}{\Sigma }}{v}_1^2}\times \sqrt{\underset{i=1}{\overset{n}{\Sigma }}{v}_2^2}};$其中，V₁、V₂为层次结构属性的概念向量；n为向量的维数；(4)描述性属性相似度s_ij，描述性属性是指具有某一中心表达思想的自然语言或类似自然语言描述性的属性，相似度计算公式如下：$s_{ij}=\frac{1}{2}[KLD\left(V_1\right|\left|M\right)+KLD\left(V_2\right|\left|M\right)];$其中，KLD(V₁||M)、KLD(V₂||M)为两向量的相对熵；V₁、V₂为两描述性属性的主题特征向量；步骤3：求解加权多属性POI相似度向量步骤4：令D_A中的POI数据为P_A，D_B中的POI数据为P_B，计算POI相似度向量中各分量的最大值Max，并与阈值T进行比较；步骤5：当Max≥T时，表示P_A和P_B是代表同一地理实体的POI，对P_A和P_B进行不同属性项的增加、同一属性项属性值的合并；否则不做任何处理。