中文地址要素构成及其组合形式化描述的学术研究报告

作者及发表信息

本研究由贺日兴（首都师范大学资源环境与旅游学院及三维数据获取与应用教育部重点实验室）、张琳、谭宁生（公安部第一研究所）、刁吉水（安徽瑞信软件有限公司）、唐宗棣、戚东榕共同完成，发表于《首都师范大学学报(自然科学版)》（Journal of Capital Normal University(Natural Science Edition)），网络首发日期为2025年12月24日。

学术背景

本研究属于地理信息科学（Geographic Information Science, GIS）与自然语言处理（Natural Language Processing, NLP）交叉领域，聚焦中文地址的结构化建模与标准化问题。中文地址作为连接物理空间与人类活动的关键信息载体，其命名规则因地域、城乡差异而高度复杂，现有模型多基于局部城市案例，难以覆盖全国范围。研究旨在解决三大问题：

1. 开发新区类地址的纳入问题：传统层次模型无法有效处理开发区、风景区等新型综合区域类地址要素；

2. 组合规则的形式化描述缺失：缺乏科学统一的地址要素动态组合规则体系；

3. 城乡差异量化不足：全国性地址要素组合模式及比例信息尚未系统揭示。

研究流程与方法

1. 概念模型构建

   • 基础框架：基于国家标准《地址模型(GB/T 35639—2017)》和警用地址库实践，提出包含7类属性的中文地址概念模型（图1），首次引入“综合区域类地址要素”（如开发区、风景区），完善了传统层级模型。

   • 要素分类：将地址要素划分为行政区划类、区域类、建筑物编号类3大类，细分为12小类（表2），明确每类对应的地理实体及通名规范（如“街”“路”“巷”）。

2. 形式化描述方法

   • 巴科斯范式（BNF）：定义标准地址结构为“行政区域+基本区域限定物+局部位置”，通过符号系统（如::=、[]、{}）规范要素组合逻辑。

   • 有限状态自动机（FSM）：将地址要素视为状态节点，构建有向图模型（图2），通过状态转移路径验证地址有效性。例如，“南昌市江西省八一大道61号”因行政区划顺序颠倒被判定为无效。

3. 全国户籍地址实例分析

   • 数据来源：基于2012年全国13.5亿户籍地址数据，清洗后保留3.4亿条（去除冗余及非规范要素如“居委会”）。

   • 分析方法：

     • 分层统计：按地市→省→全国逐级分析，建立通名库与组合规则库；

     • 模式归纳：识别6类主要组合模式（表3），如“行政区划+街路巷+门牌号”（城市主流，占比20.4%）和“行政区划+行政村+自然村+门牌号”（农村主流，占比42.9%）。

主要结果

1. 模型验证：全国户籍地址中68.4%为农村地址，30.9%为城市地址，所有主流模式均符合FSM规则体系，证实其普适性。

2. 城乡差异量化：城市地址以街路巷为核心要素，农村地址则依赖自然村层级，通名多样性（如“村”“塘”“寨”）显著高于城市。

3. 动态规则体系：通过FSM成功处理综合区域嵌套（如“九华山风景区”包含道路和村落）、道路跨行政区（如芜湖市“九华山路”分段归属）等复杂场景。

结论与价值

1. 理论贡献：

   • 提出首个覆盖城乡的中文地址要素动态组合规则体系，为地址建模、标准化（Address Standardization）及自然语言解析（如大语言模型中的地址理解）提供方法论基础。

   • 量化揭示城乡地址结构差异，弥补了国家标准GB/T 35639—2017在综合区域处理上的不足。

2. 应用价值：

   • 地址库建设：支持公安、民政部门构建全国标准地址库；

   • 算法优化：为地址匹配（Address Matching）、地理编码（Geocoding）算法提供概率化拆分依据（如农村地址优先匹配“自然村+门牌号”组合）；

   • 智能服务：提升物流配送、应急响应等场景的空间定位精度。

研究亮点

1. 创新模型：综合区域类要素的引入解决了新区地址的“模型盲区”问题。

2. 方法融合：首次将BNF与FSM结合，实现地址语法与语义的双重形式化描述。

3. 全量数据分析：基于3.4亿条户籍地址的全国性统计，结论具有普适代表性。

其他价值

研究数据已应用于公安部“科技强警”专项（2021JC35），并为国家科技支撑计划（2012BAH35B01）提供底层技术支持，推动地址资源在数字政府、低空经济等领域的跨模态关联应用。