1.一种差错自适应的深度学习地址语义匹配方法，其特征在于，包括：用户将非标地址文本输入到已训练好的基于深度学习的地址语义匹配模型中，得到非标地址对应的标准地址匹配结果；

训练好的基于深度学习的地址语义匹配模型对非标地址文本进行处理的过程包括：

S1：采用BERT模型对非标地址文本进行文本编码，得到非标地址的分词结果和词嵌入向量；

S2：将分词结果和词嵌入向量同时输入到Bi‑LSTM模型和Transformer模型中，得到地址关键元素信息以及地址关键元素信息是否可用的判别结果；

S3：采用predict algorithm算法，根据可用的地址关键元素信息构建查询语句进行地址查询，得到非标准地址文本对应的标准地址匹配结果。

2.根据权利要求1所述的一种差错自适应的深度学习地址语义匹配方法，其特征在于，得到地址关键元素信息的过程包括：Bi‑LSTM模型根据分词结果和词嵌入向量判断非标地址文本中各单词是否为地址关键元素，若是，则判断该地址关键元素的父类类别，得到地址关键元素信息即地址关键元素及其对应的父类类别。

3.根据权利要求1所述的一种差错自适应的深度学习地址语义匹配方法，其特征在于，地址关键元素是否可用的判断过程包括：Transformer模型根据数据库当前数据存储状态、BERT模型输出的分词结果和词嵌入向量，判断地址关键元素信息是否可用于构建地址查询语句。

4.根据权利要求1所述的一种差错自适应的深度学习地址语义匹配方法，其特征在于，predict algorithm算法进行地址查询的过程包括：predict algorithm算法根据可用的地址关键元素信息构建一条地址查询语句，地址查询语句中地址关键元素的位置由Bi‑LSTM模型输出的地址关键元素父类类别决定；

查询记忆池中是否存在与地址查询语句对应的标准地址匹配结果，若存在，则直接返回标准地址匹配结果，否则，使用地址查询语句查询数据库，若查询到标准地址，则返回该结果并将其写入记忆池中以备后续查询使用。

5.根据权利要求1所述的一种差错自适应的深度学习地址语义匹配方法，其特征在于，对基于深度学习的地址语义匹配模型进行训练的过程包括：获取带标签的地址文本训练数据，将地址文本训练数据输入到BERT模型中，得到地址文本的分词结果和词嵌入向量；

将分词结果和词嵌入向量同时输入到Bi‑LSTM模型和Transformer模型中，得到地址关键元素信息和地址关键元素信息是否可用的判别结果；

采用train algorithm算法，根据可用的地址关键元素信息递归构建地址查询语句进行地址查询，得到地址文本对应的标准地址匹配结果；

根据标准地址匹配结果和标签调整模型参数，得到训练好的基于深度学习的地址语义匹配模型。

6.根据权利要求5所述的一种差错自适应的深度学习地址语义匹配方法，其特征在于，采用train algorithm算法构建地址查询语句进行地址查询的过程包括：train algorithm算法通过递归的方法逐步在地址查询语句中追加地址关键元素，从而不断缩小地址查询的范围；当查询结果中仅存在一条标准地址数据，该标准地址即为地址文本对应的标准地址匹配结果。

7.根据权利要求5所述的一种差错自适应的深度学习地址语义匹配方法，其特征在于，对基于深度学习的地址语义匹配模型进行训练的过程还包括：train algorithm算法得到地址文本对应的标准地址匹配结果后，向Transformer模型返回所使用到的地址关键元素，同时把该查询结果即标准地址匹配结果存入记忆池中，Transformer模型根据返回的地址关键元素纠正其自身关于地址关键元素信息是否可用的判别结果，并根据纠正后的判断结果调整自身参数。

8.一种差错自适应的深度学习地址语义匹配系统，其特征在于，包括：基于BERT的地址文本输入模块、Bi‑LSTM模块、Transformer模块和地址匹配模块；

所述基于BERT的地址文本输入模块用于对地址文本进行文本编码，得到地址文本的分词结果和词嵌入向量；

所述Bi‑LSTM模块用于根据地址文本的分词结果和词嵌入向量获取地址关键元素信息以及决定查询语句中地址关键元素的位置；

所述Transformer模块用于根据地址文本的分词结果和词嵌入向量判断地址关键元素信息是否可用于构建地址查询语句；

所述地址匹配模块用于根据Bi‑LSTM模块和Transformer模块输出信息构建地址查询语句并进行地址查询，输出地址文本的标准地址匹配结果。