自然语言处理中语义地址匹配的改进
本文利用深度学习的方法，提出了一种名为Match-SRNN的神经网络结构，用于解决语义匹配问题，该方法将两个文本之间的全局互动生成视为递归过程，并通过构建张量和使用空间递归神经网络来模拟匹配结构，实验结果表明该模型在两个语义匹配任务中表现出色。
Apr, 2016
通过训练深度学习模型，使用顾客行为数据，我们开发了一种新的损失函数，并结合n-gram和平均池化来捕捉短程语言模式，并使用哈希来处理词汇表外的标记，从而解决语意匹配在产品搜索中的挑战。在离线测试和在线A/B测试中，均表现出比基线语意搜索方法更好的召回率和平均准确率。
Jul, 2019
本文利用深度语言编码最新的进展来寻找最有效的嵌入和检索查询和数据库条目的组合，同时避免了使用手动工程组件，并证明了该模型明显优于传统的基于手动模式的模型。同时为其他领域的类似问题提供了帮助。
Feb, 2022
本文提出了一种基于深度学习的层次化信息利用方法，可以更好地解决不规则地址匹配的问题并更加关注地址中的特殊部分，实验结果表明，该方法可以将现有方法的准确率提高3.2%。
May, 2023
本文研究了使用Transformer模型Bert、DistilBert、ELECTRA和RoBERTa，以及多层感知器MLP对土耳其地图数据进行多语言和土耳其语 fine-tune 的实验，结果表明土耳其语特定模型与多语言fine-tuning的相比略微更好，并且BERT变种对于地址类别分类的效果非常好。
Jun, 2023
采用深度学习的方法，设计出一种模型，用于提高邮地址匹配的效率。测试结果表明，模型在准确性和速度方面都表现良好，对于解决分配过程中的问题具有实际价值。
Jul, 2023
这篇文章介绍了 Deepparse，它是一个Python开源、可扩展、可调优的地址解析解决方案，使用最先进的深度学习算法进行多国地址解析，并在60多个国家进行了评估。它可以解析任何语言和任何地址标准编写的地址。预训练模型在用于训练的国家上达到了平均99%的解析准确率，无需预处理或后处理。此外，该库支持使用新数据进行微调，生成自定义的地址解析器。
Nov, 2023
MCP-SM提出了一个多概念解析的语义匹配框架，用于从句子中提取各种概念，并将其融入分类标记，以解决语义匹配中对命名实体识别模型的依赖问题。
Mar, 2024