• text-classificatio widgets:
• task: text-classificatio iputs:
  • type: text validator: max_words: 256
  • type: text validator: max_words: 256 examples:
  • ame: 1 iputs:
    • data: 老垅坡高家组省建五公司
    • data: 高家巷省建五公司岳阳分公司
  • ame: 2 iputs:
    • data: 北京航空航天大学逸夫楼
    • data: 北京航空航天大学图书馆
  • ame: 3 iputs:
    • data: 浙江省杭州市湖滨银泰
    • data: 重庆市沙坪坝银泰百货 domai:
• lp frameworks:
• PyTorch model-type:
• text-classificatio backboe:
• bert metrics:
• Acc laguage:
• c licese: Apache Licese 2.0 tags:
• Alibaba
• trasformer
• setece-similarity
• text-similarity
• text-sematic-matchig
• 文本相似度
• 文本对匹配
• 句子对匹配
• 句子相似度
• 语义匹配

datasets: trai:

• ccks2021-addrsim test:
• ccks2021-addrsim evaluatio:
• ccks2021-addrsim

idexig: results:

• task: ame: Address Similarity dataset: ame: ccks2021-addrsim metrics:
  • type: Acc value: 83.86 descriptio: Acc args: default

地址相似度匹配介绍

模型描述

本模型使用StructBERT作为预训练模型底座，使用句子对分类计算交叉熵的方式进行训练。 模型结构如下图所示：

期望模型使用方式以及适用范围

日常生活中输入的地址文本可以为以下几种形式：

包含四级行政区划及路名路号POI的规范地址文本；

地址要素缺省的规范地址文本，例：只有路名+路号、只有POI；

非规范的地址文本、口语化的地址信息描述，例：阿里西溪园区东门旁亲橙里；

地址相似度匹配模型主要是对输入的两条地址，评估他们之间的相似程度，输出完全相关(exactmatch)、部分相关(partialmatch)、不相关(ot_match)这三个标签类型的概率。

用户可以自行尝试输入中文句子。具体调用方式请参考代码示例。

如何使用

在安装ModelScope完成之后即可使用lpstructbertaddress-matchchiesebase(地址相似度匹配)的能力, 默认两个句子长度加起来不超过512。

代码范例

kk```pytho
from modelscope.pipelies import pipelie
from modelscope.utils.costat import Tasks

pipelie_is = pipelie(
    task=Tasks.text_classificatio, model='damo/lp_structbert_address-matchig_chiese_base')
prit(pipelie_is(iput=('北京航空航天大学逸夫楼', '北京航空航天大学图书馆')))
# {'scores': [0.005042273085564375, 0.14676348865032196, 0.8481942415237427], 'labels': ['exact_match', 'ot_match', 'partial_match']} 

模型局限性以及可能的偏差

本模型基于ccks2021-addrsim数据集上训练，请用户自行评测后决定如何使用。

训练数据介绍

• ccks2021-addrsim: 中文地址相似度匹配数据集。

数据评估及结果

模型在ccks2021-addrsim测试数据评估结果:

text-classification widgets: task: text-classification inputs: type: text validator: max_words: 25