地理实体消歧完整教程解决 AI 识别同名城市问题

地理实体消歧（Geographic Entity Disambiguation，业内也叫 toponym resolution 地名解析）解决"同名城市"问题，核心路径只有一条：先按名称召回全部候选地名，再用「行政区划层级一致性 + 上下级从属关系 + 上下文地名空间距离」三类特征给候选打分，最后用阈值决策——高于 0.6 直接落库，0.4~0.6 回退到上级地名，低于 0.4 转人工或取人口最大的候选。结论：这个问题靠词典和规则解决，靠"换个更大的模型"解决不了。

地理实体消歧和普通 NER 有什么区别？

结论：NER 只回答"这个词是不是地名"，消歧要回答"它是哪一个地名"。

以"朝阳"为例，NER 输出一个 LOC 标签就结束了，但下游系统需要的是唯一的行政区划代码：北京市朝阳区是 110105，辽宁省朝阳市是 211300，两者直线距离 388 公里。如果只把"朝阳"当字符串存库，做区域统计时就会把两个地方的订单合并到一起。

所以消歧的产出物不是标签，而是一个带坐标、带层级、带唯一编码的结构化实体。没有唯一编码，后面所有地理聚合都是错的。

哪些地名最容易撞车？

结论：撞车最严重的不是城市名，而是「市辖区名」和「简称」。

典型清单：鼓楼区在南京市、福州市、徐州市、开封市各有一个；西湖区在杭州市和南昌市各有一个；城关区在兰州市和拉萨市各有一个；"朝阳"同时是区名和市名。简称更难处理，比如"鹏城"指深圳、"春城"指昆明，这些不在标准地名库里，必须自建别名表。

英文场景同样严重：Paris 在法国，也在美国得克萨斯州；Springfield 在美国有 30 多个。所以别名词典要覆盖四类：标准名、简称、别称、历史名。

完整流程怎么做？五步走

第一步，建词典。用 GeoNames 或 OSM 的行政边界数据，配上国标 GB/T 2260 的六位行政区划代码，每条记录至少存：名称、别名数组、编码、层级（省/市/区县）、经纬度、上级编码、常住人口。

第二步，候选召回。做精确匹配 + 别名匹配 + 繁简转换 + 拼音匹配，召回 top-5 到 top-10。召回阶段放宽，宁可多召回。

第三步，特征打分。给每个候选算四个分项，见下一节。

第四步，决策。用 softmax 归一化后比阈值。

第五步，评估。人工标注 1000~5000 条带歧义地名的样本，按歧义地名分层统计 top-1 准确率和 macro-F1。只报总体准确率会掩盖"鼓楼区"这类少数类的失败。

打分特征和阈值怎么设？

结论：权重建议「上级从属 0.35、空间距离 0.30、后缀类型 0.20、文本先验 0.15」。

上级从属指上下文里是否出现了该候选的上级地名。文本提到"辽宁省"时，朝阳市直接加分，北京朝阳区扣分——这一条单独就能解决大部分省市同名问题。

空间距离指该候选与本篇文档中其他已消歧地名的球面距离，用 Haversine 公式算：d = 2R·arcsin(√(sin²(Δφ/2) + cosφ₁·cosφ₂·sin²(Δλ/2)))，R 取 6371 公里。同一篇文档里出现的地名通常相距不超过 200 公里，所以衰减函数用 1/(1 + d/50) 比较合适，50 公里是衰减尺度。

后缀类型看文本里"朝阳"后面跟的是"区"还是"市"，这是低成本高收益的特征。文本先验包括文档来源、用户 IP 归属地、发布时间。

阈值定 0.6：高于 0.6 落库，0.4 到 0.6 之间回退到上级地名（写成"北京市—朝阳"），低于 0.4 进人工队列。

三个最常见的坑

第一个坑：只按名称匹配，不做层级校验。结果"朝阳"默认给了人口更多的北京朝阳区，辽宁朝阳市的样本全部召回错误。修复方式是把上级约束权重提到 0.35 以上。

第二个坑：忽略行政区划代码变更。撤县设区后编码会变，词典必须版本化，每条记录带上生效起止日期，否则历史数据关联不上。

第三个坑：别名表缺失。标准地名库里没有"鹏城""春城"这类别称，遇到就直接漏召回。别名表要单独维护并定期从搜索日志里挖掘。

大模型能直接搞定吗？

结论：大模型适合做候选生成和置信度复核，不适合直接输出坐标。

实测思路是把 top-5 候选连同上下文一起喂给模型，让它从候选里选一个，温度设为 0 保证结果稳定。但不要让模型"自己回忆"坐标和行政区划代码，因为同名地名正是它的知识盲区，而且同一篇文档里多次出现同一地名时，模型的一致性明显不如规则打分。

工程上更稳的做法是：规则打分给出主结果和大模型复核标记，两者不一致的样本进人工队列，用这批样本反哺词典和权重。

总结一下：地理实体消歧的落地靠三件事——一份带六位行政区划编码和上下级关系的词典、一组以"上级从属 + 空间距离"为主的打分特征、一条 0.4/0.6 的双阈值决策线。把这三件事做扎实，"朝阳""鼓楼""西湖"这类同名地名就不会再把统计数据搅在一起。