[发明专利]发票商品名分类方法、系统、设备及计算机可读存储介质

说明书

技术领域

本发明涉及自动分类技术领域，特别涉及一种发票商品名分类方法、系统、设备及计算机可读存储介质。

背景技术

发票的种类繁多，每种发票都有特定的使用范围。在现实生活中对发票进行分类是很常见的，而在发票的众多信息中，例如商品品名、发票单价、购票公司、开票公司等，利用商品品名来对发票进行分类是一种较为常见的做法。根据发票上的商品名，将“稻花香大米”分到谷物类别中，“小米手机”分到电子产品下。

在现有的解决方案中，一般是根据关键词匹配来判断类别，比如对于酒这一类，提前准备一些诸如“酒”、“茅台”、“醇香”之类的词语，如果商品名中有字与这些关键词重合，则分到这一类中。比如“国窖1573典藏53°500ml”归为酒，而“苹果手机6S”这种商品名的发票就不会被归到酒类中。然而，商品名繁多而复杂，准备关键词的过程需要消耗大量人力，对于每一个专项类别，都需要提前准备好专属关键词库。此外，若只匹配字符会漏掉语义上的关系，因此依赖关键词匹配的结果并不一定准确。以酒类为例，“医用酒精”也会被归为酒类，如果加上含有“酒”而不含“酒精”的限制，“正品二锅头(非酒精勾兑)”这种商品名的分类就会错误。

因此，如何提供一种发票品名分类方法，以减少在对发票进行分类过程中的人力消耗，同时提高分类结果的准确率，是本领域技术人员亟待解决的技术问题。

发明内容

有鉴于此，本发明的目的在于提供一种发票品名分类方法，以减少在对发票进行分类过程中的人力消耗，同时提高分类结果的准确率。其具体方案如下：

一种发票商品名分类方法，包括：

根据预设规则，确定待分类发票商品名的商品名向量；

将所述商品名向量输入至预先创建的目标训练后模型，得到所述目标训练后模型输出的发票商品名类型，以判断该类型是否为目标类型；

其中，所述目标训练后模型为预先利用目标训练样本对基于梯度增强决策树XGBoost模型构建的待训练模型进行训练后得到的模型，其中，所述目标训练样本包括已标注目标发票商品名类型的训练样本以及根据Rocchio算法获取到的未标注商品名类别的训练样本。

优选的，所述将所述词向量输入至预先创建的训练后模型，得到所述训练后模型输出的发票品名类型的步骤之前，还包括：

利用所述目标训练样本对基于梯度增强决策树XGBoost模型构建的待训练模型进行训练，得到所述目标训练后模型。

优选的，所述利用所述目标训练样本对基于梯度增强决策树XGBoost模型构建的待训练模型进行训练，得到所述目标训练后模型的步骤，包括：

获取已标注目标发票商品名类型的商品名，得到正标注训练样本集合；

获取未标注发票商品名类别的商品名，得到负标注训练样本集合；

利用所述正标注训练样本集合和所述负标注训练样本集合对预先建立的待训练模型进行训练，得到所述目标训练后模型。

优选的，所述利用所述正标注训练样本集合和所述负标注训练样本集合对预先建立的待训练模型进行训练，得到所述目标训练后模型的步骤，包括：

根据所述正标注训练样本集合的分布情况从所述负标注训练样本集合中筛选出相应的未标注商品名类别的商品名，得到目标负标注训练样本集合；

根据梯度增强决策树算法，利用所述正标注训练样本集合和所述目标负标注训练样本集合对预先建立的待训练模型进行训练，得到所述目标训练后模型。

优选的，所述根据所述正标注训练样本集合的分布情况从所述负标注训练样本集合中筛选出相应的未标注商品名类别的商品名，得到目标负标注训练样本集合的步骤，包括：

对所述正标注训练样本集合和所述负标注训练样本集合中的每一商品名进行分词，得到当前词特征组合，然后利用word2vec算法，将当前词特征组合中的每一词特征映射到向量空间，得到相应的词向量；

利用语言模型对当前词特征组合进行扩词，得到相应的目标词特征组合，并计算每一目标词特征组合的权重，以利用相应目标词特征组合中的词向量以及对应的权重确定相应的商品名向量；

分别利用第一计算公式和第二计算公式计算所述正标注训练样本集合的原型特征向量和所述负标注训练样本集合的原型特征向量，得到对应的正标记样本原型特征向量和负标记样本原型特征向量；其中，所述第一计算公式和所述第二计算公式计算分别为：