通过对 GPT-3 模型在地址解析任务中的性能评估，研究表明双向 LSTM-CRF 模型在转换器模型和 GPT-3 模型中表现最好，转换器模型与双向 LSTM-CRF 模型相比展现出非常可比的结果。尽管 GPT-3 模型性能稍逊，但展示了在地址解析任务中利用少样本示例的潜力，同时还有通过额外的微调提升的空间。

Oct, 2023

研究了如何使用自然语言处理和 RoBERTa 模型来理解发展中国家（例如印度）中电商客户的运输地址，该方法结合了诸如编辑距离和语音算法之类的预处理步骤，并最终使用 RoBERTa 模型进行分类。

Jul, 2020

本文介绍了一种建立在双向编码器变换器（BERT）架构上的命名实体识别（NER）模型的方法，具体使用了 SlovakBERT 模型。该 NER 模型从语音转文本转录获取的数据中提取地址部分。由于真实数据的稀缺性，使用 GPT API 生成了一个合成数据集。强调了在这种人工数据中模仿口语变异的重要性。我们的 NER 模型仅使用合成数据进行训练，并使用小型真实测试数据集进行评估。

Feb, 2024

提出了一种新型的基于地理关系的预训练模型 G2PTL，它采用了真实的物流交付数据构建了一个包含丰富地理知识和交付信息的大规模异构图，并通过采样子图进行预训练，通过真实世界数据的四项下游任务的全面实验表明，G2PTL 能够显著提高物流系统中与交付相关任务的性能。

Apr, 2023

使用神经网络、自然语言处理以及高斯混合模型，对推特文本中的地理位置进行预测，在全球范围以及美国范围内实验结果的中位误差分别小于 30 公里和 15 公里。

Mar, 2023

将地理坐标转化为代表不同空间尺度位置的特殊标记，并通过自回归语言模型 GPT-2 对这些标记和轨迹进行训练，构建了一个受环境因素和个体属性影响的深度学习模型，能够生成个人每日轨迹。

Aug, 2023

本文利用美国 50 个州的选民注册数据构建训练集，通过双向长短期记忆（BiLSTM）模型以及综合数据集的方式，比现有文献中的最佳模型的准确率提高了 36.8％，同时构建了覆盖面更广、更准确的 Bayesian 提高姓氏地理编码（BISG）和 Bayesian 提高名姓地理编码（BIFSG），并提供了第一个高质量的基准数据集，以便公平比较现有模型和帮助未来模型的开发。

Jul, 2023

在金融行业中，从自由文本消息属性中提取街道、邮政编码或国家等字段是解析地址的关键需求，本文利用 Transformer 模型和生成型大语言模型探索应对海量交易数据的性能，并展示训练鲁棒模型处理实际世界的嘈杂交易数据的重要性。结果表明，良好调整的 Transformer 模型通过提前停止显著优于其他方法，而生成型大语言模型则展现出强大的零 - shot 性能，值得进一步研究。

Apr, 2024

本研究探讨了语言演化之对于机器学习模型的影响，提出使用序贯对齐学习表示来处理数据漂移的方法，并在多个任务上取得优异的效果。

Sep, 2019

本文旨在通过使用文本文档预测其发布期，使用了自行创建的全面标记的数据集，并实现了一个简单的朴素贝叶斯基线模型和一个经过微调的预训练 BERT 模型，而结果则超出了我们的预期，在准确预测新闻文章发布年代方面表现出色，击败了此前在此相对未开发任务中尝试过的少数模型。

Apr, 2023