[发明专利]一种企业名称的切分方法、装置及计算机可读存储介质

说明书

本发明实施例涉及数据处理领域，公开了一种企业名称的切分方法、装置及计算机可读存储介质。本发明中，在一次企业名称切分过程中，该方法包括：获取上一次切分后剩下的文本；根据上一次切分后剩下的文本的前两个字构成的词的概率，以及上一次切分后剩下的文本的第2个字与第3个字构成的词的概率，确定对上一次切分后剩下的文本的切分方式；根据上一次企业名称切分后剩下的文本，以及切分方式，确定本次切分得到的分词，以及本次切分后剩下的文本；判断本次切分后剩下的文本的字数是否大于2，若是，继续下一次的切分过程，直至字数不大于2，否则，停止切分过程。该方法使得无需根据新增的企业名称改变切分方法。

技术领域

本发明实施例涉及数据处理领域，特别涉及一种企业名称的切分方法、装置及计算机可读存储介质。

背景技术

企业名称(Corporate Name)是一个企业区别于其他企业的文字符号。企业名称的设定必须遵循和符合《企业名称登记管理规定》。企业名称通常包括四个要素：区域信息、字号、行业/经营特点和组织形式。其中，字号为企业的个性要素，其他三个则属于共有要素。通过对企业名称各组成要素的自动抽取和划分，可以对全国企业快速进行地域、行业、类型等的聚类研究，从而构建同类竞争企业的竞争网络图。现有企业名称成分自动抽取方法大多通过行业/领域专家人工定义规则模板。该方法利用规则模板和自然语言处理(NaturalLanguage Processing，NLP)中的一些基础工具(如分词工具、词性标注工具等)进行企业名称的划分和抽取。

然而，发明人发现现有技术中至少存在如下问题：传统的企业名称划分和抽取方法存在以下几个问题：

(1)人工定义规则耗时费力，且成本较高。规则模板需要拥有丰富专业知识的领域专家观察大量的不同形式的企业机构名称的组成形式后编写。

(2)规则模板的抽取召回率较低。企业名称在不同场合的出现形式不一，人工定义的规则模板很难覆盖所有企业名称的定义模式，并且，同一人工规则模板会在不同的企业名称拆分时造成规则歧义和冲突。

(3)人工规则库更新繁琐。据不完全统计全国每天新增企业数量近1万家，专家需要充分了解所有已经定义的规则，并与新申请的企业名称组成模式进行一一比对，从而增加新的人工规则，以覆盖所有新申请企业名称的定义模式。

(4)NLP对未登录词的识别准确率较低。基于人工规则模板的划分和抽取方法中会使用NLP的一些分词工具对企业名称进行初步划分，但由于企业名称的特殊性，会包含一些未登录词(不常用的词语组合，如“趣拿”、“三快在线”等)，造成NLP工具标注错误，从而造成企业名称划分过程中的错误叠加。

发明内容

本发明实施方式的目的在于提供一种企业名称的切分方法、装置及计算机可读存储介质，使得无需根据新增的企业名称改变企业名称的切分方法。

为解决上述技术问题，本发明的实施方式提供了一种企业名称的切分方法，在一次企业名称切分过程中，包括以下步骤：

获取上一次企业名称切分后剩下的文本；根据上一次企业名称切分后剩下的文本的前两个字构成的词的概率，以及上一次企业名称切分后剩下的文本的第2个字与第3个字构成的词的概率，确定对上一次企业名称切分后剩下的文本的切分方式；根据上一次企业名称切分后剩下的文本，以及切分方式，确定本次切分得到的分词，以及本次企业名称切分后剩下的文本；判断本次企业名称切分后剩下的文本的字数是否大于2，若是，继续下一次的企业名称切分过程，直至字数不大于2，否则，停止企业名称切分过程。

本发明的实施方式还提供了一种企业名称的切分装置，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施方式提及的企业名称的切分方法。

本发明的实施方式还提供了计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述实施方式提及的企业名称的切分方法。