我猜您处于地址的不同字段混合在一起的情况。尝试将地址文本分解为带状疱疹，然后尝试使用 Locality-sensitive Hashing

Jeff Ullman 教授的教科书可以帮助您将所需的所有技术放在一起，从第 3.2 节开始

1. 消除精确重复
2. 对地址进行模糊匹配以获得近似匹配的分数。
3. 只保留一个匹配的地址并丢弃其余的

您可以应用聚类算法，例如 KNN 或 Spherical KMeans。在应用算法之前，您可能需要对地址中的文本进行矢量化。

• 按邮政编码或城市分类
• 创建剩余地址部分的特征向量（邮政编码/城市/州除外）
• 应用聚类算法

我不太确定地址字段有多重要，但我什至会在这里尝试正则表达式。