台灣地址正規化系統開發1150731

1. 地址結構化拆解與語意解析 (Parser & Segmenter)

• 自動分詞與標籤化：利用語意解析與規則引擎，將輸入的無結構字串（如 臺北市中正區廣州街2號）自動拆解為 County（縣市）、District（鄉鎮市區）、Road（路名）、HouseNumber（門牌）、Floor（樓層）等標準欄位。
• 格式標準化：自動統一阿拉伯數字與中文數字（例如：三樓 $\rightarrow$ 3F、五段 $\rightarrow$ 5段）、補全簡寫（台北市 $\rightarrow$ 臺北市）。

2. 極速前綴匹配與快取 (Fast Prefix Lookup Engine)

• $O(K)$ 最長前綴比對：採用 MARISA-Trie 記憶體壓縮結構，能在數微秒內秒級鎖定標準縣市與行政區。
• 高併發快取：極大化過濾常見且格式正確的地址，減輕後續圖譜與模糊比對的運算負擔。

3. 空間約束與錯字修復 (Spatial-Aware RapidFuzz Engine)

• 同音字與錯字修正：基於 C++ Levenshtein Distance 算法，自動修正打錯的路名（如 松篙路 $\rightarrow$ 松高路、羅斯福路五段 的同音漏字）。
• 空間剪枝（Spatial Pruning）：限定比對範圍於已鎖定的「縣市/行政區」方圓內，避免「桃園中正路」錯補成「板橋中正路」的誤判。

4. 圖譜拓樸與跨區門牌斷言 (Kùzu Graph Topology Guard)

• 長道路與跨區門牌精準判定：透過 RoadSegment 節點的門牌區間與單雙號屬性，自動判定橫跨多個行政區的道路歸屬（如：廣州街 2 號 $\rightarrow$ 中正區；廣州街 200 號 $\rightarrow$ 萬華區）。
• 圖譜拓樸約束：以 Cypher 查詢驗證 (Zipcode)-[:BELONGS_TO]->(County)-[:HAS_DISTRICT]->(District)-[:HAS_SEGMENT]->(RoadSegment) 階層關係，嚴格防止邏輯矛盾的地址存在。

5. 門牌與樓層邏輯驗證 (House Number & Floor Guard)

• 門牌區間與單雙號檢驗：驗證該號碼是否落在該道路的合法號碼範圍內，以及單雙號（Parity）是否符合事實。
• 附號與特殊樓層處理：支援「之幾號」（如 80之1號）、地下室（B1、B2）、頂樓加蓋等台灣特有門牌邏輯校驗。

6. 自我學習與異步高效能服務 (Self-Improving & Serving Layer)

• 未命中自動收集 (Unmatched Feedback Pool)：自動將解析失敗或高疑義的地址寫入 SQLite 記錄池，便於定期人工覆核與增量補充圖資。
• 異步高併發處理 (Async Batch Pipeline)：基於 Python asyncio 與 ProcessPoolExecutor，支援每秒數千筆地址的批次正規化。
• Standardized REST API：提供 FastAPI 介面，支援 OpenAPI (Swagger) 文件，方便微服務架構整合與 Docker 容器化部署。

建置這套台灣地址正規化與圖譜校驗系統，核心關鍵在於「權威圖資的取得與清洗」。為了支援從縣市、行政區、跨區長道路門牌分段、到郵遞區號的完整校驗，你需要蒐集以下 4 大類開放資料（Open Data）：

1. 全國行政區劃與郵遞區號對照表（基礎層）

• 用途：建立 County、District 與 Zipcode 節點及拓樸關係。
• 資料來源：
  • 中華郵政 3+3 碼郵遞區號文字檔（包含路街段與郵遞區號對照表）。
  • 內政部戶政司 全國行政區劃代碼表。
• 欄位需求：縣市名稱、鄉鎮市區名稱、郵遞區號 (3碼/3+2碼/3+3碼)。

2. 全國門牌公所與道路門牌號碼區間（核心圖譜層）

• 用途：建立 RoadSegment 與 NumberRange，解決「廣州街 2 號（中正區）vs 廣州街 200 號（萬華區）」這類跨行政區道路門牌判定問題。
• 資料來源：
  • 內政部戶政司 全國門牌資料庫（TGOS / 門牌反查開放資料）。
  • 政府資料開放平台 (data.gov.tw) – 各縣市門牌資料集。
• 欄位需求：
  • 縣市名稱、鄉鎮市區名稱、路街名稱、段號（如：一段）。
  • 起始門牌號碼 (min_num)、結束門牌號碼 (max_num)。
  • 單雙號規則 (parity)：單號 (ODD)、雙號 (EVEN) 或連續號 (ALL)。

3. 全國標準道路名稱與同義詞對照庫（錯字與修復層）

• 用途：供 MARISA-Trie 與 RapidFuzz 模糊比對使用，做同義詞替換與錯字校正（如 台北市 $\rightarrow$ 臺北市、松篙路 $\rightarrow$ 松高路）。
• 資料來源：
  • 交通部 GIS 道路網圖資（Road Network） 或 NLSC 國土測繪圖資。
  • 常見異體字與俗體字映射表（自行建立字典，例如：台 $\leftrightarrow$ 臺、哨船頭 $\leftrightarrow$ 哨船街）。
• 欄位需求：標準道路全名、道路別名/舊稱、拼音對照。

4. 特殊門牌與邏輯規則庫（規則 Guard 層）

• 用途：提供 HouseNumberGuard 與 FloorGuard 作邏輯檢驗。
• 資料來源：
  • 台灣門牌編釘規則文件（各縣市門牌編釘及道路命名自治條例）。
• 邏輯規則集（語法/常數）：
  • 附號識別：之（如：80之1號）。
  • 樓層識別：樓、F、FL、B（地下室，如 B1）。
  • 特殊地名/衖/弄/巷階層序列。

📥 資料蒐集清單總覽表

資料類別	建議資料源	主要檔案格式	用途模組
行政區與郵遞區號	中華郵政 Open Data	CSV / JSON	trie_search.py, Zipcode 節點
道路門牌區間與跨區分段	內政部 TGOS / 戶政司門牌庫	CSV / SHP	graph_topology_guard.py (RoadSegment)
標準道路網與異體字字典	交通部 TDX / 自建字典	JSON / TXT	spatial_guard.py (RapidFuzz 比對)
門牌樓層邏輯規則	各縣市戶政門牌法規	Regex 規則表	house_number_guard.py