GC ERNIE-GeoL版
GC ERNIE-GeoL版是融入了百度“地理-语言”预训练大模型文心ERNIE-GeoL能力的地理编码（GC）升级版，大幅显著提升了解析准确率，能够更好满足智慧物流、智慧城市等行业地址解析高准确率的需求。
特点1:全方位的产品能力提升，地理编码服务500米内准确率绝对提升超5%
- 应用能力的持续升级：
应用ERNIE-GeoL预训练大模型，大幅提升GC地理编码对地址解析和坐标打点的能力，有效解决了因数据、召回、地址消歧而影响坐标精准度的问题。
- 显著卓越的效果提升：
GC ERNIE-GeoL版学习『语言-地理位置』的关联知识，增强了对不同形式文本表达的泛化能力，500米内准确率绝对提升超5%。
- 革新颠覆的开发范式：
相较于传统算法模型，通过使用大规模预训练数据构建的ERNIE-GeoL，只利用少量任务数据就可以在下游任务中通过精调的方式取得更好效果。
特点2:多场景的业务需求拓展，推动地理解析类问题优化
GC ERNIE-GeoL版功能强化提升，解决了因地址类信息缺少导致的一系列位置解析类问题，强化了产品广泛的应用落地潜力
- 补全道路信息：
通过坐标预测，根据POI名称预测坐标，解决了POI库内目标POI缺乏道路信息的问题。
- 规避定位失败：
通过坐标预测，根据道路号预测坐标，解决POI库内地址未更新导致的定位失败问题。
- 提升poi获取时效：
通过POI和坐标的相关性判断锁定指定区域内的POI，解决因地址缺失导致召回大范围POI发生的超时或失败等问题。
- 多名称地址归一：
通过地理实体语义分析，将同一个地址所对应不同名称建立关联，解决了召回区域的POI无法与目标POI建立关联的问题。
特点3:深层次的模型能力创新，聚焦『地理位置-语言』类任务建模
- 构建预训练数据：
随机生成多源异构数据并进行有效整合，再以统一的形式作为预训练模型的数据输入。
- 创建网络学习结构：
有效的设计网络结构和针对性的预训练目标，学习地理实体的文本属性与其对应地理坐标之间的关联。
- 设计预训练任务：
设计行之有效的预训练目标，加强模型处理不完整或不规范地理描述文本时的稳定性。
