构建地址分类模型的方法、地址分类方法及相关设备

技术领域

本发明涉及计算机应用领域，尤其涉及一种构建地址分类模型的方法、地址分类方法及相关设备。

背景技术

在物流场景下，当用户生成物流订单后，物流平台或者其它诸如电商平台的具有物流场景的平台，需要根据用户填写的地址信息推理出从发货地到收货地需要经过的各个流转环节，来进行快递流转。这一系列流转信息主要依靠物流面单上打印的三段码来进行识别。然而，三段码需要根据用户填写的详细地址，推理出给该地址派件的节点。常用的推理模型依赖该区域的大量派件记录学习，例如过去10天，地址中带有【金虹桥国际中心】的包裹都是古北节点在派送，则推理模型可以据此学习到【金虹桥国际中心】与【古北节点】的映射关系。

但是，针对历史物流数据中，没有派件记录的地址位置或者建筑物，常用的推理模型很难学习到对应的派件节点。例如【长房国际广场】，在历史派件记录中没有出现过，推理模型很难构建【长房国际广场】与任何节点的映射关系。目前的方式，将导致写了没有历史派件记录的地址位置或者建筑物的物流订单，在推理模型中无法确定派件节点，从而无法确定三段码，也无法在物流面单上打印三段码，由此，在进行物流包裹分拣时，需要人工判断分拣，降低了物流时效，影响用户体验。

由此，如何优化地址分类模型，从而针对没有历史派件记录的地址位置或者建筑物也能够进行准确的地址分类，由此提高物流时效，增加用户物流体验，是本领域亟待解决的技术问题。

发明内容

本发明为了克服上述相关技术存在的缺陷，提供一种构建地址分类模型的方法、地址分类方法及相关设备，进而优化地址分类模型，从而针对没有历史派件记录的地址位置或者建筑物也能够进行准确的地址分类，由此提高物流时效，同时提高用户物流体验。

根据本发明的一个方面，提供一种构建地址分类模型的方法，包括：

将待分类区域划分为多个子地图区域，以获得地图类别数据；

将所述待分类区域的历史派件地址划分为多个派件类别，以获得派件地址类别数据；

基于所述地图类别数据以及所述派件地址类别数据，训练一地址分类模型，所述地址分类模型用于预测待分类地址所属的派件类别。

在本发明的一些实施例中，所述地址分类模型包括：

地址数据向量化层，配置成对输入所述地址分类模型的地址信息进行文本向量化处理；

地址分类层，配置成对文本向量化处理后的地址信息进行分类以输出所属的派件类别。

在本发明的一些实施例中，所述地址数据向量化层采用textCNN，所述地址分类层采用softmax。

在本发明的一些实施例中，所述派件类别基于派件员/派件节点划分。

在本发明的一些实施例中，所述子地图区域基于派件员/派件节点划分。

在本发明的一些实施例中，所述子地图区域按设定规则形状划分。

在本发明的一些实施例中，所述将待分类区域划分为多个子地图区域，以获得地图类别数据包括：

根据派件员/派件节点的数量确定所述子地图区域的数量；

将所述待分类区域按所确定的数量以矩形形状平均划分为多个准子地图区域；

至少基于各准子地图区域的历史派件量、各派件员/派件节点的历史派件能力，调整所述准子地图区域，以确定子地图区域。

在本发明的一些实施例中，所述至少基于各准子地图区域的历史派件量、各派件员/派件节点的历史派件能力，调整所述准子地图区域，以确定子地图区域包括：

计算各准子地图区域的设定时间段内的历史派件量与对应该准子地图区域的派件员/派件节点的历史派件能力的比值；

对于各准子地图区域，判断其比值是与相邻准子地图区域的比值之差是否大于设定阈值；

若是，则减小当前准自地图区域的面积，且增加相邻准子地图区域的面积。

根据本发明的又一方面，还提供一种地址分类方法，包括：

将待分类地址输入地址分类模型，所述地址分类模型经由如上所述的构建地址分类模型的方法构建；

根据所述地址分类模型的输出预测待分类地址所属的派件类别。

根据本发明的又一方面，还提供一种构建地址分类模型的装置，包括：

第一划分模块，配置成将待分类区域划分为多个子地图区域，以获得地图类别数据；

第二划分模块，配置成将所述待分类区域的历史派件地址分为多个派件类别，以获得派件地址类别数据；

训练模块，配置成基于所述地图类别数据以及所述派件地址类别数据，训练一地址分类模型，所述地址分类模型用于预测待分类地址所属的派件类别。

根据本发明的又一方面，还提供一种地址分类装置，包括：

输入模块，配置成将待分类地址输入地址分类模型，所述地址分类模型经由如上所述的构建地址分类模型的方法构建；

预测模块，配置成根据所述地址分类模型的输出预测待分类地址所属的派件类别。

根据本发明的又一方面，还提供一种电子设备，所述电子设备包括：处理器；存储介质，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如上所述的步骤。

根据本发明的又一方面，还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上所述的步骤。

相比现有技术，本发明的优势在于：

本发明基于地图的地图类别数据和基于历史派件地址的派件地址类别数据作为训练地址分类模型的训练样本，从而能够使得地址分类模型不仅能够学习历史派件地址和派件类别之间的映射关系，也能够根据地图类别数据和派件地址类别数据，学习地图类别数据中的子地图区域和派件类别之间的映射关系。无论待分类地址是否属于历史派件地址，都可以通过地址分类模型预测待分类地址所属的派件类别，由此提高物流时效，同时提高用户物流体验。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。

图1示出了根据本发明实施例的构建地址分类模型的方法的流程图。

图2示出了根据本发明实施例的将待分类区域划分为多个子地图区域，以获得地图类别数据的流程图。

图3示出了根据本发明实施例的至少基于各准子地图区域的历史派件量、各派件员/派件节点的历史派件能力，调整所述准子地图区域，以确定子地图区域的流程图。

图4示出了根据本发明实施例的地址分类方法的流程图。

图5示出了根据本发明实施例的构建地址分类模型的装置的模块图。

图6示出了根据本发明实施例的地址分类装置的模块图。

图7示意性示出本发明示例性实施例中一种计算机可读存储介质示意图。

图8示意性示出本发明示例性实施例中一种电子设备示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此，实际执行的顺序有可能根据实际情况改变。

在本发明的各个实施例中，本发明提供的构建地址分类模型的方法可以应用于物流平台、电商平台或任何第三方需要实现地址分类的平台，但本发明的应用场景并非以此为限制，在此不予赘述。

图1示出了根据本发明实施例的构建地址分类模型的方法的流程图。构建地址分类模型的方法包括如下步骤：

步骤S110：将待分类区域划分为多个子地图区域，以获得地图类别数据。

具体而言，待分类区域可以是城市、县、村等。在一些变化例中，待分类区域也可以按需设置，例如多个相邻村可以作为一个待分类区域；多个相邻县可以作为一个待分类区域，本发明并非以此为限制。

具体而言，步骤S110可以基于各地图供应商提供的地图数据将上述待分类区域划分为多个子地图区域。

具体而言，地图类别数据可以包括地址数据以及该地址数据所属的子地图区域。在一个优选例中，地址数据可以包括地址信息以及该地址的经纬度。地址信息可以是完整的地址信息，或者设定字段(例如兴趣点、路名、建筑物、社区等)的地址信息，本发明并非以此为限制。

具体而言，步骤S110可以通过对地址数据中的经纬度执行GeoHash算法来实现区域的划分，本发明并非以此为限制。GeoHash算法是空间索引的一种方式，其基本原理是将地球理解为一个二维平面，将平面递归分解成更小的子块，每个子块在一定经纬度范围内拥有相同的编码。以GeoHash方式建立空间索引，可以提高对空间兴趣点数据进行经纬度检索的效率。以上海市作为待分类区域为例，步骤S110可以将上海市的全部地址数据分成多个子地图区域(诸如1000份、5000份、10000份、20000份等)，每个子地图区域内的地址都是彼此相邻的经纬度坐标。

具体而言，在一些实施例中，在步骤S110进行子地图区域划分时，可以预先设置子地图区域的数量，从而便于进行区域的划分。在该实施例中，预先设置的子地图区域的数量例如可以是待分类区域的派件员的数量。由此，相当于使得一个派件员可以完成一个子地图区域的划分。在另一些实施例中，预先设置的子地图区域的数量例如可以是待分类区域的派件节点的数量。由此，相当于使得一个派件节点可以完成一个子地图区域的划分。在又一些实施例中，预先设置的子地图区域的数量例如可以大于待分类区域的派件节点/派件员的数量。由此，可以依据后续的地址分类模型的学习，使得派件员/派件节点与子地图区域的映射关系可以更精细化。

具体而言，在一些实施例中，在步骤S110进行子地图区域划分时，可以预先设置子地图区域的形状，从而便于进行区域的划分。在该实施例中，预先设置的子地图区域的形状为规则形状，相较于其它不规则形状，可以提高子地图区域的划分效率。进一步地，在本实施例中，可以预先设置的子地图区域的形状为规则形状，同时，使得预先设置的子地图区域的数量远大于待分类区域的派件节点/派件员的数量，由此，不仅可以提高区域划分的效率，同时，也使得派件员/派件节点所能够映射的子地图区域形成的形状更灵活，以适应各种路况和物流派送情况。本发明并非以此为限制，其它的不规则形状，或者在划分过程中进行区域形状的调整都在本发明的保护范围之内。

步骤S120：将所述待分类区域的历史派件地址划分为多个派件类别，以获得派件地址类别数据。

具体而言，步骤S120中，所述派件类别可以基于派件员/派件节点划分。在基于派件员划分的实施例中，可以将派件员的编码/标识作为派件类别，从而各历史派件地址可以划分至执行物流包裹派送的派件员的编码/标识所在派件分类中。在具体实现中，当历史派件地址的物流数据中，存在多个执行物流包括派送的派件员时，可以以最近一设定时间段(一周/两周/一个月)派件次数最多的派件员的编码/标识作为该历史派件地址所在的派件分类。可以按类似的方式，实现基于派件节点的派件类别的划分，在此不予赘述。

在一个具体实施例中，某家物流供应商在上海有3000个派件员，每个派件员分别负责一片区域，由此，可以将全部上海用户的历史派件地址分成3000个派件类别。每个派件类别都是一个派件员的派件区域，同一个派件员的派件区域中各历史派件地址彼此距离接近。

步骤S130：基于所述地图类别数据以及所述派件地址类别数据，训练一地址分类模型，所述地址分类模型用于预测待分类地址所属的派件类别。

具体而言，所述地址分类模型可以包括地址数据向量化层以及地址分类层。地址分类层可以串接在地址数据向量化层之后。地址数据向量化层配置成对输入所述地址分类模型的地址信息进行文本向量化处理。其中，所述地址数据向量化层可以采用textCNN(文本卷积神经网络)进行文本向量化处理。textCNN是CNN(卷积神经网络)的一种变形，CNN主要运用于图片分类，而TextCNN主要用于文本分类，其可以使得文本向量化为一个k维向量，由此来表示在句子中的词。具体而言，地址数据向量化层用于实现为地图类别数据和派件地址类别数据的共享。地址分类层配置成对文本向量化处理后的地址信息进行分类以输出所属的派件类别。其中，所述地址分类层可以采用softmax。Softmax可以用于多分类过程中，它将多个神经元的输出，映射到(0,1)区间内，以作为该分类的概率，从而实现多分类。进一步地，地址分类层实现了地图类别数据和派件地址类别数据分隔。由此，地址数据向量化层可以共享两个来源的地址信息，使得模型拥有更强的泛化能力。

在本发明提供的构建地址分类模型的方法中，基于地图的地图类别数据和基于历史派件地址的派件地址类别数据作为训练地址分类模型的训练样本，从而能够使得地址分类模型不仅能够学习历史派件地址和派件类别之间的映射关系，也能够根据地图类别数据和派件地址类别数据，学习地图类别数据中的子地图区域和派件类别之间的映射关系。无论待分类地址是否属于历史派件地址，都可以通过地址分类模型预测待分类地址所属的派件类别，由此提高物流时效，同时提高用户物流体验。

下面参见图2，图2示出了根据本发明实施例的将待分类区域划分为多个子地图区域，以获得地图类别数据的流程图。图2共示出如下步骤：

步骤S111：根据派件员/派件节点的数量确定所述子地图区域的数量。

在一些实施例中，预先设置的子地图区域的数量例如可以是待分类区域的派件员的数量。由此，相当于使得一个派件员可以完成一个子地图区域的划分。在另一些实施例中，预先设置的子地图区域的数量例如可以是待分类区域的派件节点的数量。由此，相当于使得一个派件节点可以完成一个子地图区域的划分。在又一些实施例中，预先设置的子地图区域的数量例如可以大于待分类区域的派件节点/派件员的数量。由此，可以依据后续的地址分类模型的学习，使得派件员/派件节点与子地图区域的映射关系可以更精细化。

步骤S112：将所述待分类区域按所确定的数量以矩形形状平均划分为多个准子地图区域。

在该实施例中，预先设置的子地图区域的形状为矩形，相较于其它不规则形状，可以提高子地图区域的划分效率。进一步地，步骤S112中通过平均划分，从而获得初步的准子地图区域，由此进一步提高步骤S112的执行效率。

步骤S113：至少基于各准子地图区域的历史派件量、各派件员/派件节点的历史派件能力，调整所述准子地图区域，以确定子地图区域。

具体而言，考虑到直接按矩形形状平均划分，可能会导致派件员/派件节点的派件能力远超对应子地图区域的历史派件量，以及派件员/派件节点的派件能力远不及对应子地图区域的历史派件量等运力和运输量不均衡的问题。由此，通过步骤S113来实现准子地图区域的调整，从而实现派件员/派件节点的历史派件能力与子地图区域的历史派件量能够相匹配，进而实现各区域的运力均衡。

具体而言，步骤S113的实现可以参见图3，图3示出了根据本发明实施例的至少基于各准子地图区域的历史派件量、各派件员/派件节点的历史派件能力，调整所述准子地图区域，以确定子地图区域的流程图。图3共示出如下步骤：

步骤S1131：计算各准子地图区域的设定时间段内的历史派件量与对应该准子地图区域的派件员/派件节点的历史派件能力的比值。

具体而言，设定时间段例如可以是最近一天、最近一周、最近两周等，本发明并非以此为限制。历史派件量例如可以是日均派件量。历史派件能力可以是派件员/派件节点在设定时间段的日均派件量。

步骤S1132：对于各准子地图区域，判断其比值是与相邻准子地图区域的比值之差是否大于设定阈值。

具体而言，步骤S1132根据比值判断相邻准子地图区域的运力是否均衡。设定阈值可以按需设置，本发明并不对其进行限定。

若步骤S1132判断为是，则执行步骤S1133：减小当前准自地图区域的面积，且增加相邻准子地图区域的面积。

当步骤S1132判断为是，则表示相邻准子地图区域的运力不均衡，导致派件员/派件节点的派件能力不及当前准子地图区域的历史派件量，且派件员/派件节点的派件能力超过相邻准子地图区域的历史派件量，由此，可以通过面积的增减，也就是准子地图区域的调整分配，以实现相邻地图区域的运力均衡。

图3仅仅是示意性地示出步骤S113的一种实现方式，本发明并非以此为限制，其它基于各准子地图区域的历史派件量、各派件员/派件节点的历史派件能力，调整所述准子地图区域，以确定子地图区域的具体实现也在本发明的保护范围之内。例如，在另一些实施例中，可以判断每个准子地图区域的设定时间段内的历史派件量与对应该准子地图区域的派件员/派件节点的历史派件能力的比值是否小于等于1且大于0.9(其中，1和0.9可以按需设置，本发明并非以此为限制)，若是，则将该准子地图区域作为子地图区域；若否，则当前准子地图区域的比值大于1时，判断相邻准子地图区域的设定时间段内的历史派件量与对应该准子地图区域的派件员/派件节点的历史派件能力的比值是否小于等于0.9，若是，则减小当前准子地图区域的面积，并增大相邻准子地图区域的面积(调整的面积大小可以根据所计算的比值与1/0.9的差值来确定)；当前准子地图区域的比值小于等于0.9时，判断相邻准子地图区域的设定时间段内的历史派件量与对应该准子地图区域的派件员/派件节点的历史派件能力的比值是否大于0.9，若是，则增大当前准子地图区域的面积，并减小相邻准子地图区域的面积(调整的面积大小可以根据所计算的比值与1/0.9的差值来确定)。进一步地，还可以通过多个准子地图区域之间的相互调整，以获得子地图区域，本发明并非以此为限制。由此，使得该准子地图区域的派件员/派件节点的历史派件能力稍大于该准子地图区域的设定时间段内的历史派件量，以能够吞吐该准子地图区域的派件量的同时，能够有运力富余，以应对特殊的派件量的增长。

以上仅仅是本发明的构建地址分类模型的方法的多个具体实现方式，各实现方式可以独立或组合来实现，本发明并非以此为限制。进一步地，本发明的流程图仅仅是示意性地，各步骤之间的执行顺序并非以此为限制，步骤的拆分、合并、顺序交换、其它同步或异步执行的方式皆在本发明的保护范围之内。

下面参见图4，图4示出了根据本发明实施例的地址分类方法的流程图。地址分类方法包括：

步骤S210：将待分类地址输入地址分类模型，所述地址分类模型经由如上所述的构建地址分类模型的方法构建。

步骤S220：根据所述地址分类模型的输出预测待分类地址所属的派件类别。

获得的派件类别可以用于计算三段码、实现时效预测、实现自动分拣等，本发明并非以此为限制。

在本发明提供的地址分类方法中，可以基于地图的地图类别数据和基于历史派件地址的派件地址类别数据作为训练地址分类模型的训练样本，从而能够使得地址分类模型不仅能够学习历史派件地址和派件类别之间的映射关系，也能够根据地图类别数据和派件地址类别数据，学习地图类别数据中的子地图区域和派件类别之间的映射关系。无论待分类地址是否属于历史派件地址，都可以通过地址分类模型预测待分类地址所属的派件类别，由此提高物流时效，同时提高用户物流体验。

在本申请的一个具体实施例中，结合图1和图4的构建地址分类模型的方法和地址分类方法，本发明可以通过如下方式实现：

首先，准备地图类别数据。对全上海的地图数据进行切分，获得多个矩形框，每个子矩形框都是一个子地图区域。例如，在对地图数据的划分中，【长房国际广场】和【金虹桥国际中心】被分到一个子地图区域中。

之后，准备派件地址类别数据。派件员001的派件记录有【金虹桥国际中心】【娄山小区】，这两个被分到同一个派件类别中。但是【长房国际广场】由于下单记录少，不在任何派件员的派件记录中。

然后，构建基于神经网络的地址分类模型。通过地址分类模型的地址数据向量化层实现派件地址类别数据和地图类别数据的文本向量化的共享，由此，在地址数据向量化层可以学习到【长房国际广场】和【金虹桥国际中心】的向量是相似的，因为对应着同一个派件类别；同时【金虹桥国际中心】和【娄山小区】的向量也是相似的，也对应同一个派件类别，与派件员001构成映射。这样整个网络，可以将【长房国际广场】与派件员001构成映射，从而可以正确预测【长房国际广场】的派件员。

以上仅仅是本发明的构建地址分类模型的方法和地址分类方法的具体实现方式，本发明并非以此为限制。进一步地，上述各步骤之间的执行顺序并非以此为限制，步骤的拆分、合并、顺序交换、其它同步或异步执行的方式皆在本发明的保护范围之内。

下面参见图5，图5示出了根据本发明实施例的构建地址分类模型的装置的模块图。构建地址分类模型的装置300包括第一划分模块310、第二划分模块320以及训练模块330。

第一划分模块310配置成将待分类区域划分为多个子地图区域，以获得地图类别数据；

第二划分模块320配置成将所述待分类区域的历史派件地址分为多个派件类别，以获得派件地址类别数据；

训练模块330配置成基于所述地图类别数据以及所述派件地址类别数据，训练一地址分类模型，所述地址分类模型用于预测待分类地址所属的派件类别。

在本发明的示例性实施方式的构建地址分类模型的装置中，基于地图的地图类别数据和基于历史派件地址的派件地址类别数据作为训练地址分类模型的训练样本，从而能够使得地址分类模型不仅能够学习历史派件地址和派件类别之间的映射关系，也能够根据地图类别数据和派件地址类别数据，学习地图类别数据中的子地图区域和派件类别之间的映射关系。无论待分类地址是否属于历史派件地址，都可以通过地址分类模型预测待分类地址所属的派件类别，由此提高物流时效，同时提高用户物流体验。

图5仅仅是示意性的分别示出本发明提供的构建地址分类模型的装置300，在不违背本发明构思的前提下，模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的构建地址分类模型的装置300可以由软件、硬件、固件、插件及他们之间的任意组合来实现，本发明并非以此为限。

下面参见图6，图6示出了根据本发明实施例的地址分类装置的模块图。地址分类装置400包括输入模块410以及预测模块420。

输入模块410配置成将待分类地址输入地址分类模型，所述地址分类模型经由如上所述的构建地址分类模型的方法构建；

预测模块420配置成根据所述地址分类模型的输出预测待分类地址所属的派件类别。

在本发明的示例性实施方式的地址分类装置中，基于地图的地图类别数据和基于历史派件地址的派件地址类别数据作为训练地址分类模型的训练样本，从而能够使得地址分类模型不仅能够学习历史派件地址和派件类别之间的映射关系，也能够根据地图类别数据和派件地址类别数据，学习地图类别数据中的子地图区域和派件类别之间的映射关系。无论待分类地址是否属于历史派件地址，都可以通过地址分类模型预测待分类地址所属的派件类别，由此提高物流时效，同时提高用户物流体验。

图6仅仅是示意性的分别示出本发明提供的地址分类装置400，在不违背本发明构思的前提下，模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的地址分类装置400可以由软件、硬件、固件、插件及他们之间的任意组合来实现，本发明并非以此为限。

在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被例如处理器执行时可以实现上述任意一个实施例中所述构建地址分类模型的方法和/或地址分类方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述所述构建地址分类模型的方法和/或地址分类方法部分中描述的根据本发明各种示例性实施方式的步骤。

参考图7所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到租户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

在本发明的示例性实施例中，还提供一种电子设备，该电子设备可以包括处理器，以及用于存储所述处理器的可执行指令的存储器。其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述构建地址分类模型的方法和/或地址分类方法的步骤。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图8来描述根据本发明的这种实施方式的电子设备500。图8显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图8所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：至少一个处理单元510、至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述所述构建地址分类模型的方法和/或地址分类方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图1至图4任一幅或多幅附图所示的步骤。

所述存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。

所述存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备500也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通讯，还可与一个或者多个使得租户能与该电子设备500交互的设备通讯，和/或与使得该电子设备500能与一个或多个其它计算设备进行通讯的任何设备(例如路由器、调制解调器等等)通讯。这种通讯可以通过输入/输出(I/O)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通讯。网络适配器560可以通过总线530与电子设备500的其它模块通讯。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明实施方式的上述所述构建地址分类模型的方法和/或地址分类方法。

相比现有技术，本发明的优势在于：

本发明基于地图的地图类别数据和基于历史派件地址的派件地址类别数据作为训练地址分类模型的训练样本，从而能够使得地址分类模型不仅能够学习历史派件地址和派件类别之间的映射关系，也能够根据地图类别数据和派件地址类别数据，学习地图类别数据中的子地图区域和派件类别之间的映射关系。无论待分类地址是否属于历史派件地址，都可以通过地址分类模型预测待分类地址所属的派件类别，由此提高物流时效，同时提高用户物流体验。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。