[发明专利]一种基于政务文本数据词性标注的企业主体匹配方法

权利要求书

1.一种基于政务文本数据词性标注的企业主体匹配方法，其特征在于，所述的方法包含以下步骤：

获取待识别文本；

将所述待识别文本输入企业实体识别模块，并将所述企业实体识别模块的输出作为所述待识别文本对应的企业名称主体词汇；

将所述企业名称主体词汇输入模式提取模块，并将所述模式提取模块的输出作为所述待识别文本对应的企业名称待匹配词；所述企业名称待匹配词由以下三部分构成：表示地理位置的城市信息、企业自身的名称信息+企业所处行业信息、企业性质信息；其中，约定表示地理位置的城市信息的词为第一待匹配词，表示企业自身的名称信息+企业所处行业信息的词为第二待匹配词，表示企业性质信息的词为第三待匹配词；

构建自有企业名称库：将自有企业名称文本输入到所述模式提取模块中获得企业名称匹配词，所述企业名称匹配词由以下三部分构成：表示地理位置的城市信息、企业自身的名称信息+企业所处行业信息、企业性质信息；其中，约定表示地理位置的城市信息的词为第一匹配词，表示企业自身的名称信息+企业所处行业信息的词为第二匹配词，表示企业性质信息的词为第三匹配词；

对于预先构建的自有企业名称库中的任一备选企业名称，将所述企业名称待匹配词与所述备选企业名称的企业名称匹配词进行匹配；

先按照第一待匹配词和第一匹配词进行对比，若第一待匹配词缺失或者第一待匹配词和第一匹配词匹配成功，再依次进行第二待匹配词和第二匹配词的匹配得分计算，以及第三待匹配词和第三匹配词的匹配得分计算，最终获得模式匹配的综合得分；若第一待匹配词和第一匹配词匹配不成功，则备选企业名称匹配不成功；选取综合得分大于阈值且综合得分最高的匹配项作为输出，将综合得分最高的所述备选企业名称确定为标准企业名称。

2.根据权利要求1中所述的基于政务文本数据词性标注的企业主体匹配方法，其特征在于，其中，企业实体识别模块的具体识别步骤如下：

对于所述待识别文本，首先采用具有企业实体名称最右边界性质的词语，依次搜索企业实体名称的所有最右边界词语，其中，约定上述搜索过程为第一次搜索；

然后采用地理信息词库搜索出所有最右边界对应的最左边边界，其中，约定上述搜索过程为第二次搜索；

并将上述最左边边界到最右边界之间的字符确定为企业名称主体词汇。

3.根据权利要求2中所述的基于政务文本数据词性标注的企业主体匹配方法，其特征在于，其中，企业实体名称最右边界性质的词语为股份有限公司、有限公司、公司、工作室。

4.根据权利要求2中所述的基于政务文本数据词性标注的企业主体匹配方法，其特征在于，所述第一次搜索和所述第二次搜索均采用确定有穷自动机算法进行搜索。

5.根据权利要求3中所述的基于政务文本数据词性标注的企业主体匹配方法，其特征在于，其中，企业实体名称最右边界性质的词语采用倒序方式构建树型数据模型，搜索时对所述待识别文本进行反向搜索存在的所有企业实体名称的最右边界词语。

6.根据权利要求2中所述的基于政务文本数据词性标注的企业主体匹配方法，其特征在于，如果所述第一次搜索成功，而所述第二次搜索失败，则输出所述待识别文本的起始字符至最右边界处的字符之间的字符作为企业名称主体词汇。

7.根据权利要求2中所述的基于政务文本数据词性标注的企业主体匹配方法，其特征在于，如果所述第一次搜索失败，且所述第二次搜索也失败，则输出所述待识别文本。

8.根据权利要求6或7中所述的基于政务文本数据词性标注的企业主体匹配方法，其特征在于，对于企业实体识别模块输出的文本采用jieba分词的词性标注功能对截取的字符串进行词性标注，按照jieba词性标注工具中词性的注释，选择词性为地理位置的城市信息的词语部分作为第一待匹配词，依次选择两个词性中含有企业自身的名称信息+企业所处行业信息、企业性质信息的词语分别作为第二待匹配词和第三匹配词。