区级政府数据中心公司地址短文本按所属楼宇分类的场景

数据：单位地址数据（数据不规范，约6万个单位）；楼宇名称和楼宇地址数据（楼宇地址也不规范，楼宇名称分1-N号楼或者ABC座，186个楼宇）

目标：为公司找到所在楼宇

建模：抽取出楼宇名称中核心词和楼宇地址中核心词，将这些词以或关系作为where查询条件组成一个sql，用这个sql进行初步筛选；将楼宇名称和楼宇地址的短文本混合作为分类文本，将楼宇id作为分类目标构造分类器，然后以单位地址为输入进行分类；将分类后结果通过规则做进一步过滤，比如如果有x号院x号楼则院号和楼号需要对应；经过粗筛/文本算法分类/结果的规则调整就得到了最终的结果。对于存在一个公司冠名的连排楼宇，如果训练错误，可以通过复制将此分类中的一个样本改为相同的2-3个样本，这样可以增加识别的准确率。

实现：用TextGrocery作为短文本分类算法。