随着物流行业的快速发展,快递已经成为了人们生活中不可或缺的一部分,每天数以亿计的快递不停的被各个物流运输车运送到世界各地。各个物流公司都纷纷投入对快递分拣系统的研究,让系统能够尽量快速自动地分拣更多的快递。然而,传统的快递地址规范化系统主要存在设计臃肿,地址处理效率低等问题,这些不足限制了分拣效率。良好的规范化系统需要将快递地址中关键信息保留,并带有严格的顺序层级关系。因此,如何有效地从大量的快递地址提取信息,并按照地址层级关系进行规划化具有重要的意义。一方面,本文提出将摘要生成网络模型应用于快递地址规范。在多数的摘要生成任务中,文本往往存在篇幅长且信息丰富的特点,这有利于摘要生成模型关注长文本中的语义信息。然而,本文的快递地址数据文本较短,关键元素的信息密集,应用传统的摘要生成模型容易丢失关键信息。为了提升摘要生成模型在短文本中的性能,提出了一种基于混合注意力的摘要生成模型(Hybrid Attention Based Summary Generation Network,HASGN),并应用到地址规范化任务中。首先,HASGN模型关注句子的语义信息,挖掘句子中地址的层级关系;其次,在每个句子中,模型会突出表示原句中重要的词语,并保留到摘要中。实验结果表明,该模型在生成规范化的中文快递地址任务中有更高的准确率。另一方面,在快递地址填写时由于人们的认知、书写等差异,造成一个地址有多种表达。虽然多种表达形式的地址数据不容易区分,但是它们都有同一个语义,即表示同一个地址。因此,本文提出了一种基于强化学习的序列匹配模型(Deep Enhanced Matching Network,DEMN),将不同表达形式的地址数据进行地址匹配。DEMN的目的是通过将多种地址数据映射到同一向量空间进行匹配;同时考虑到序列模型的信息表达的限制,引入强化学习来提升模型的性能。在地址匹配的实验结果表明,该模型能够有效地捕捉到地址元素之间的关系并生成更有效的地址空间表达。最后,本文基于物流数据的特性设计了一个智能地址规范系统。该系统拥有地址规范及地址匹配等功能,能够实时地处理地址数据。同时,离线规范和匹配功能为系统处理大数据提供了依据。