我的工作，我不完全知道如何处理项目。这个问题可以概括为以下几点：
地理位置的范围从国家到县（都在美国），所以它们的数量是有限的，但每个报告通常包含多个位置引用。例如，报告的第5条第约摸一个国家作为一个整体，然后再下一个5将是有关国家内个别县，或类似的东西。
我很好奇，什么是接近那样的问题的最好办法，也许在NLP或ML框架（Python或Java的）方面有具体的建议？
我可以居然能有点帮助在这里（我的研究是地名分辨率的区域）。
如果我理解正确的话，你正在寻找一种方式，以（1）找到地名的文字，（2）澄清对地名的地理参考;（3）空间地整个句子或段落。
有很多开源包，可以做＃1。 Stanford Core NLP，OpenNLP
有迹象表明，可以做到＃1和＃2了几包。 CLAVIN大概是唯一可以使用了开放源代码的应用程序，可以在瞬间做到这一点。 Yahoo Placemaker费钱，但能做到这一点。
是不是真的有一个包，可以做＃3。有一个叫TEXTGROUNDER做一种叫“文档地理位置”一个较新的项目，但同时代码可它不是建立在您的自己的输入文本运行。我只建议你看看吧，如果你渴望开始或有助于项目试图做这样的事情。
所有这三个任务仍在进行的研究的一部分，可以根据源文本的细节得到令人难以置信的复杂。您没有提供多少细节你的文本，但希望这些信息可以帮助你。
老问题，但它可能是有用的给别人知道的Apache OpenNLP有一个称为GeoEntityLinker的插件，并采取记录的文字和句子，提取实体（toponymns），执行对USGS和GeoNames的gazateers（Lucene索引），立志查找（或者尝试至少）以多种方式topopnymns，并返回有关传入的文档中的每个句子中打进gazateer条目。它将与OpenNLP 1.6被释放，如果一切顺利的话....没有太大的文件，如果任何在这一点。
这是OpenNLP吉拉门票：https://issues.apache.org/jira/i#browse/OPENNLP-579。
这是源代码：
http://svn.apache.org/viewvc/opennlp/addons/geoentitylinker-addon/
FYI：我主要的提交它的工作。
识别地理位置提及使用OpenNLP或门等，主要问题就来了以后，当你的歧义名称相同的地方是相当琐碎。例如，在美国有一个名为“布里斯托尔” 29处。哪一个是正确的？
还有，你可以用它来消除歧义的几种方法。一个简单的一个是收集在文中提到的所有位置的列表，让他们的潜能经度/纬度，然后发现有距离的总和最小的设置。
一个更好的解决方案，我看到人们部署是从维基百科获取是指将所有物品，把它们像Lucene的文本数据库，然后用你的文字查询，通过测量一些相似性得分来寻找候选人之间最有前途的位置。这个想法是，除了单词“布里斯托尔”的文章中也有河流的名字，一个人，或者类似的东西会被提及。
为了做任务，你需要标记的训练集。然后你训练过培训集的分类模型和预测的基础上，示范文本的新件的位置。你可以看到他们都在写在SCIKIT-学Top此示例代码一起工作：http://scikit-learn.org/stable/tutorial/text_analytics/working_with_text_data.html
标记的训练集：
你可以在训练集，其中在训练中每个样本是（一个段落，REGION_ID）训练一个分类。该REGION_ID可以是一个国家，地区或城市的ID。
训练分类模型：
你建立单词的袋各样品的（例如对unigram）模型和在所述标记的训练集训练分类器（例如，逻辑回归与L1正规化）。你可以使用任何工具，但我建议使用Python中，这是非常简单而有效的使用SCIKIT-学习。
预测：
训练结束后，给出一个段落或一段文字，训练的模型是能够找到它REGION_ID这是基于样品中所用的字眼。
记住调节在发展设定为取得良好的效果调整参数（防止过度拟合训练样本）。
阅读my paper并以文字的地理位置this one：http://www.aclweb.org/anthology/N15-1153
和相应的海报：http://www.slideshare.net/AfshinRahimi2/geolocation-twittertextnetwork-48968497
此外，我已经写了a tool称为Pigeo这正是这么做的，并配有预训练模式。除了这些作品有很多的基于文本的地理位置等的研究论文，你可以找到。