物流信息识别方法、装置、电子设备、存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种物流信息识别方法、装置、电子设备、存储介质。

背景技术

随着互联网以及信息技术的发展，线上货运平台在货主和司机之间已经越来越普及。货主通过货运平台发布货源信息，并由司机进行浏览和接单，以实现货运前的对接过程。

在上述货源发布的过程中，需要货主分别详细填写发货地，收货地和需要运输的货品名称。用户手动填写详细的发货地，收货地和需要运输的货品名称时，操作较为复杂。为了节省用户填写时间，目前的解决方案为，获得用户输入的文本段，以将文本段直接识别为地址信息。

对此，其仅能实现一段文本地址提取一段地址信息的技术方案，换言之，用户需要分别为发货地和收货地提供两段文本段，从而可以分别识别处对应的地址信息。同时，还需要用户额外输入货品名称。这对用户而言，仍然需要消耗较多的时间。

由此，如何通过一个文本段以自动识别出发货地、收货地以及货名，从而减少用户操作时间，提高货源发布效率，是本领域技术人员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，提供一种物流信息识别方法、装置、电子设备、存储介质，进而至少在一定程度上通过一个文本段以自动识别出发货地、收货地以及货名，从而减少用户操作时间，提高货源发布效率。

根据本发明的一个方面，提供一种物流信息识别方法，包括：

获取待识别文本段；

将所述文本段输入一经训练的物流信息识别模型；

获得所述物流信息识别模型输出的多个地址信息以及货名；

基于预设规则将所述多个地址信息识别为发货地以及收货地。

在本发明的一些实施例中，所述物流信息识别模型依次包括ALBERT层、BiLSTM层以及CRF层，所述ALBERT层至少基于地址数据字典以及货名字典对所述待识别文本段进行分词获得字符特征以及分词特征，所述字符特征和分词特征经过特征嵌入后，输入至所述BiLSTM层。

在本发明的一些实施例中，所述物流信息识别模型按如下步骤构建：

通过SOP任务对所述ALBERT层进行预训练；

串联所述BiLSTM层以及CRF层，形成所述物流信息识别模型。

在本发明的一些实施例中，所述基于预设规则将所述多个地址信息识别为发货地以及收货地包括：

获取输入待识别文本段的用户的注册地址、用户历史发货地及其数量以及用户历史收货地及其数量；

根据所述多个地址信息与所获取的用户的注册地址、用户历史发货地以及用户历史收货地的匹配关系，将所述多个地址信息识别为发货地以及收货地。

在本发明的一些实施例中，所述根据所述多个地址信息与所获取的用户的注册地址、用户历史发货地以及用户历史收货地的匹配关系，将所述多个地址信息识别为发货地以及收货地包括：

对所述多个地址信息中的待匹配地址信息：

判断该待匹配地址信息是否仅与所述用户的注册地址匹配；

若是，则将该待匹配地址信息识别为发货地；

判断该待匹配地址信息是否仅与所述用户历史发货地匹配；

若是，则将该待匹配地址信息识别为发货地；

判断该待匹配地址信息是否仅与所述用户历史收货地匹配；

若是，则将该待匹配地址信息识别为收货地。

在本发明的一些实施例中，所述根据所述多个地址信息与所获取的用户的注册地址、用户历史发货地以及用户历史收货地的匹配关系，将所述多个地址信息识别为发货地以及收货地还包括：

对所述多个地址信息中的待匹配地址信息：

判断该待匹配地址信息是否仅与所述用户历史发货地和所述用户历史收货地匹配；

若是，则将该待匹配地址信息识别为该用户历史发货地的数量与该用户历史收货地的数量中数量较多的；

判断该待匹配地址信息是否仅与所述用户的注册地址与所述用户历史发货地匹配；

若是，则将该待匹配地址信息识别为发货地；

判断该待匹配地址信息是否仅与所述用户的注册地址与所述用户历史收货地匹配；

若是，则当该用户历史收货地的数量大于预设阈值时，将该待匹配地址信息识别为收货地；否则，将该待匹配地址信息识别为发货地。

在本发明的一些实施例中，所述基于预设规则将所述多个地址信息识别为发货地以及收货地之后，还包括：

将所识别的发货地、收货地以及货名自动填入对应的字段中。

根据本发明的又一方面，还提供一种物流信息识别装置，包括：

获取模块，配置成获取待识别文本段；

输入模块，配置成将所述文本段输入一经训练的物流信息识别模型；

输出模块，配置成获得所述物流信息识别模型输出的多个地址信息以及货名；

识别模块，配置成基于预设规则将所述多个地址信息识别为发货地以及收货地。

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：

本发明通过待识别文本段，经由物流信息识别模型识别获得多个地址信息以及货名，并进一步通过预设规则将所述多个地址信息识别为发货地以及收货地，由此，实现地址和货名的高效识别，从而减少用户操作时间，提高货源发布效率。

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物流信息识别方法的流程图。

图2示出了根据本发明实施例的物流信息识别模型的示意图。

图3示出了根据本发明实施例的构建物流信息识别模型的流程图。

图4示出了根据本发明实施例的基于预设规则将所述多个地址信息识别为发货地以及收货地的流程图。

图5-7示出了根据本发明一具体实施例的物流信息识别的应用场景。

图8示出了根据本发明实施例的物流信息识别装置的模块图。

图9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10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。

图1示出了根据本发明实施例的物流信息识别方法的流程图。本发明提供的物流信息识别方法可以应用于货运平台、物流平台或者其它涉及发货地以及收货地、货名识别的平台，本发明并非以此为限制。物流信息识别方法包括如下步骤：

步骤S110：获取待识别文本段。

具体而言，待识别文本段可以是用户直接复制的文本段、用户直接输入的文本段、通过图文识别获得的文本段(自图片中识别获得的)，本发明可以实现更多的变化方式，在此不予赘述。

步骤S120：将所述文本段输入一经训练的物流信息识别模型。

经训练的物流信息识别模型将结合图2和图3进行展开描述，在此不予赘述。

步骤S130：获得所述物流信息识别模型输出的多个地址信息以及货名。

步骤S140：基于预设规则将所述多个地址信息识别为发货地以及收货地。

具体而言，预设规则的描述将结合图4进行展开描述，在此不予赘述。

在本发明提供的物流信息识别方法中，通过待识别文本段，经由物流信息识别模型识别获得多个地址信息以及货名，并进一步通过预设规则将所述多个地址信息识别为发货地以及收货地，由此，实现地址和货名的高效识别，从而减少用户操作时间，提高货源发布效率。

下面参见图2和图3，图2示出了根据本发明实施例的物流信息识别模型的示意图；图3示出了根据本发明实施例的构建物流信息识别模型的流程图。

本发明使用的所述物流信息识别模型依次包括ALBERT层102、BiLSTM层104以及CRF层105。

具体而言，物流信息识别模型采用命名实体识别来实现。命名实体识别(NER)是自然语言处理(NLP)中一种信息提取方法。它在非结构化或半结构化文本中定位实体。这些实体可以是从人到具体的(如生物医学术语)的各种事物。NER在使机器能够理解文本方面，扮演着非常重要的角色。

一般来说，做命名实体识别任务时，常见的会使用BiLSTM及CRF(模型一)；BERT及CRF(模型二)两种模型。其中，BiLSTM是双向长短时记忆模型(directional Long Short-Term Memory)；CRF为条件随机场(Conditional Random Field)；BERT是Google发表的模型，Bidirectional EncoderRepresentations from Transformers，代表Transformer的双向编码器表示，Transformer是一个完全依靠自注意力来计算其输入和输出表示，而不使用序列对齐的循环神经网络或卷积的转换模型.

与模型一相比，采用BERT、BiLSTM以及CRF(模型三)，其使用BERT来对嵌入进行初始化。显然，这种初始化方式必定比随机初始化嵌入要更合理。目前，也有技术提出用Word2vec来对嵌入进行初始化，但如果是用Word2vec这种上下文无关的静态模型，最大的缺点是对歧义词的处理效果很差。在word2vec模型中，无论上下文是什么，只有一个向量，但在BERT中它可以是不同的向量。

与模型二相比，如果不使用BiLSTM单纯使用BERT，就会存在一个问题：BERT使用的是Transformer并基于self-attention(自注意力机制)，而self-attention弱化了位置信息，就算有位置嵌入对序列顺序依赖的捕捉还是比不上LSTM。而对于序列标注任务，位置信息非常关键，若在BERT后直接使用CRF模型的学习能力就会下降，因此，模型三相较模型二更优。

虽然，模型三相较模型一和模型二具有较大的优势，但BERT模型存在一个主要瓶颈：BERT模型过大，BERT-base也拥有非常庞大的参数量。为了截锯参数量过大的问题，本发明实施例中，采用了ALBERT、BiLSTM以及CRF来代替模型三。ALBERT主要采用因式分解和跨层的参数共享降低参数量来对BERT机型改进。进一步地，ALBERT还可以使用一个新预训练任务sentence-order prediction(SOP)，由此，分离了句子间顺序预测任务和主题判断任务。由此，本发明采用ALBERT(作为对BERT的改进，一种轻量化的BERT)，相比于BERT除了减少了不少参数量的同时，还对BERT的预训练方法进行了调整，提升了原模型的整体性能。

具体而言，在构建物流信息识别模型时，按图3的步骤：步骤S106：通过SOP任务对所述ALBERT层进行预训练；以及步骤S107：串联所述BiLSTM层以及CRF层，形成所述物流信息识别模型。

在训练模型时，可以首先收集线上货源信息，并可以使用特殊符号(@，#，$)等进行人工数据标注发货地，收货地，货品名称。然后规范化处理标注，转化为命名实体识别模型的标准数据类型(每个字符都对应一个标签)。如图2标号101所示，ALBERT层的输入为由CLS起始符号开始，由SEP终止符号终止的单字符输入。然后，可以仅经处理的货源信息划分为测试集、训练集、验证集等。同时，本发明提供的ALBERT层还可以使用分词特征(Segmentation information)。例如，采用不同的标号来表示单个字；采用不同的标号来标识一个词语的首、中、尾部等。进一步地，在ALBERT层进行分词时，可以至少采用地址数据字典以及货名字典(还可以采用通用字典)对所述待识别文本段进行分词获得字符特征以及分词特征。具体而言，地址数据字典通过收集省份、城市、区县、乡镇、村庄数据生成；货名字典通过手机常见货品名数据生成。进一步地，可以将地址数据字典以及货名字典加入jieba分词模块的自定义词典，由此，可以大大提高针对地名和货品名的分词特征准确性。

具体而言，分词特征将在图2所示的ALBERT层102的输出和BILSTM层104的输入之间使用(也就是在103中)。目前的ALBERT层102输出的字符嵌入(Character embedding)会直接作为BILSTM层104的输入，而本发明还添加了分词嵌入的部分，以实现字符嵌入和分词嵌入，从而提高地址识别的准确性。

由此，在处理字符嵌入时(Character embedding)，本发明采用ALBERT模型取代了原有网络中的随机初始化或者word2vec的部分，然后训练下游任务并对ALBERT进行微调。相比于BERT，ALBERT通过矩阵分解和参数共享的方法大大提高了提高参数的利用率。此外，ALBERT还提出了对预训练策略的改进，从原来的NSP(Next Sentence Prediction)改为了SOP(Sentence Order Prediction)。SOP和NSP一样，目标都是判断输入的两句话中的第二句是否衔接第一句。但SOP的负例是直接将正确文本的两句话翻转，比NSP要更复杂难度更大，也能学习到语句间更多的语义联系。构建完模型后，可将通过前述的样本进行模型训练，并在线上定点测试。进一步地，可以用人工改正后的线上坏样本(badcase)迭代训练，以实现模型的维护。

下面参见图4，图4示出了根据本发明实施例的基于预设规则将所述多个地址信息识别为发货地以及收货地的流程图。图4共示出如下步骤：

步骤S141：获取输入待识别文本段的用户的注册地址、用户历史发货地及其数量以及用户历史收货地及其数量。

具体而言，用户的注册地址可以为用户注册时自地图接口处获得的地址，也可以是由用户手动填写的地址，本发明并非以此为限制。用户历史发货地为用户历史发布过(和/或用户历史订单)的货源信息的发货地。用户历史收件地为用户历史发布过(和/或用户历史订单)的货源信息的收件地。用户历史发货地的数量以及用户历史收货地的数量为其在用户历史发布过(和/或用户历史订单)的货源信息中出现的次数。

步骤S142：根据所述多个地址信息与所获取的用户的注册地址、用户历史发货地以及用户历史收货地的匹配关系，将所述多个地址信息识别为发货地以及收货地。

具体而言，步骤S142可以通过如下步骤实现：

对所述多个地址信息中的待匹配地址信息，判断该待匹配地址信息是否仅与所述用户的注册地址匹配。若是，则将该待匹配地址信息识别为发货地。由此，当未匹配到用户历史发货地以及用户历史收货地时，框用户注册的地址作为默认的发货地。

对所述多个地址信息中的待匹配地址信息，判断该待匹配地址信息是否仅与所述用户历史发货地匹配。若是，则将该待匹配地址信息识别为发货地。由此，若仅与用户历史发货地匹配，则可以直接识别为发货地。

对所述多个地址信息中的待匹配地址信息，判断该待匹配地址信息是否仅与所述用户历史收货地匹配。若是，则将该待匹配地址信息识别为收货地。由此，若仅与用户历史收货地匹配，则可以直接识别为收货地。

对所述多个地址信息中的待匹配地址信息，判断该待匹配地址信息是否仅与所述用户历史发货地和所述用户历史收货地匹配。若是，则将该待匹配地址信息识别为该用户历史发货地的数量与该用户历史收货地的数量中数量较多的。由此，当匹配所述用户历史发货地和所述用户历史收货地时，可以将历史出现次数较多/频率较高的一个。

对所述多个地址信息中的待匹配地址信息，判断该待匹配地址信息是否仅与所述用户的注册地址与所述用户历史发货地匹配。若是，则将该待匹配地址信息识别为发货地。由此，换言之，用户注册地址与所匹配的发货地一致，因此，可以直接将其识别为发货地。

对所述多个地址信息中的待匹配地址信息，判断该待匹配地址信息是否仅与所述用户的注册地址与所述用户历史收货地匹配；若是，则当该用户历史收货地的数量大于预设阈值时，将该待匹配地址信息识别为收货地；否则，将该待匹配地址信息识别为发货地。由此，由于用户的注册地址仅用于辅助参考(但同时较多用作发货地)，因此，当该地用作收货地的次数大于预定阈值(可以按需设置，例如设置为2-10，本发明并非以此为限制)时，将其识别为收货地。反之，则可以直接将其识别为发货地。

对所述多个地址信息中的待匹配地址信息，若该待匹配地址信息同时与与所述用户的注册地址、所述用户历史发货地地、所述用户历史收货地匹配时，则表示发货地与收货地位于同一位置。可以进一步判断地址的详细程度，若发货地与收货地位于同一城市，则可以将待识别地址信息同时作为发货地和收货地；若发货地与收货地位于详细地址，则可以进行提示(是否输入错误)。

进一步地，在本发明的又一实施例中，若未匹配到任何信息，则还可以将根据出现先后顺序(例如，根据经验，发货地在前，收货地在后)等其他正则方式判断。又例如，还可以根据两个地址信息之间的连词(至、到)等，来确定收货地、发货地。

本发明还可以实现更多的变化方式，在此不予赘述。

下面参见，图5-7示出了根据本发明一具体实施例的物流信息识别的应用场景。如图5-7所示，可以在用户端提供发货信息输入界面。输入界面中，可以包括一文本段输入框，文本段输入框可以支持用户粘贴的文本段以及用户直接输入文本段。发货信息输入界面还分别提供发货地、收货地、货名、重量等字段的输入框，该些输入框支持用户直接输入，也可以由文本端识别后自动填入。如标号200所示，为用户未填入信息时的发货信息输入界面；如标号201所示，为用户于文本段输入框粘贴文本段后的发货信息输入界面；如标号202所示，为用户于文本段输入框粘贴文本段后，点击“识别”控件后，触发模型识别，从而自文本段中识别出发货地、收货地、货名、货物重量等字段后，根据字段类型自动填入输入框的界面。

图5-7仅仅是示意性地示出本发明的实现方式，本发明并非以此为限制。

具体而言，本发明在一些自然语言识别的下游任务中引入ALBERT这种强大的，预训练好的开源模型，再利用任务本身进行微调。对比于常见的模型一，BERT模型相当于取代了其原本的嵌入部分，在实际运用表现中会有非常好的效果。同时，添加符合我们任务的地址名和货品词典，有利用分词的准确，提高分词特征精确性，提高模型的识别效果。本发明中，利用了ALBERT替代了BERT。ALBERT提出了矩阵分解和参数共享两种提高参数利用率的方法，能够在不损失模型性能的同时，显著减少参数数量。本发明性能最关键的提升点是使用了公司数据库进行装卸货地两段地址的判断。

由此，采用了ALBERT、BILSTM以及CRF模型来识别装卸地和货品名称。利用ALBERT取代了BERT，在相同的训练时间下，作为轻量级的BERT，在工业上应用时ALBERT效果会比BERT更好。其中，本发明使用了分词特征(segment embedding)。分词特征这个维度的增加，可以让模型准确度的提升空间更大。在识别多段地址的时候我们使用了公司数据库里用户注册时的地址，和用户以往的装货地和卸货地信息和装卸货次数等信息来辅助判断。

以上仅仅是示意性地描述本发明的多个实施例，本发明并非以此为限制。上述各实施例可以单独或组合来实施，这些变化的方式都在本发明的保护范围之内。

根据本发明的又一方面，还提供一种物流信息识别装置，图8示出了根据本发明实施例的物流信息识别装置的模块图。物流信息识别装置300包括获取模块310、输入模块320、输出模块330以及识别模块340。

获取模块310配置成获取待识别文本段；

输入模块320配置成将所述文本段输入一经训练的物流信息识别模型；

输出模块330配置成获得所述物流信息识别模型输出的多个地址信息以及货名；

识别模块340配置成基于预设规则将所述多个地址信息识别为发货地以及收货地。

在本发明提供的物流信息识别装置中，通过待识别文本段，经由物流信息识别模型识别获得多个地址信息以及货名，并进一步通过预设规则将所述多个地址信息识别为发货地以及收货地，由此，实现地址和货名的高效识别，从而减少用户操作时间，提高货源发布效率。

图8仅仅是示意性的示出本发明提供的物流信息识别装置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。本发明提供的物流信息识别装置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。

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物流信息识别方法的步骤。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物流信息识别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9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物流信息识别方法的步骤。

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10来描述根据本发明的这种实施方式的电子设备500。图10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10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执行本说明书上述物流信息识别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、图3、图4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)通信，还可与一个或者多个使得租户能与该电子设备500交互的设备通信，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信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/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)通信。网络适配器560可以通过总线530与电子设备500的其它模块通信。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物流信息识别方法。

相比现有技术，本发明的优势在于：

本发明通过待识别文本段，经由物流信息识别模型识别获得多个地址信息以及货名，并进一步通过预设规则将所述多个地址信息识别为发货地以及收货地，由此，实现地址和货名的高效识别，从而减少用户操作时间，提高货源发布效率。

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。