[发明专利]一种面向企业信息的行业全息画像构建方法及系统

摘要

本发明提供了一种面向企业信息的行业全息画像构建方法及系统，属于信息技术领域。本系统包括企业名称抓取模块、企业文本描述信息模块、中文切词模块、词频统计模块、有效词集获取模块、有效行业词集获取模块和企业行业全息画像获取模块。本方法通过网络抓取企业名称，获取每个企业的文本描述信息，对文本描述信息进行切词、剔除常用词，得到有效词集，计算有效词与一级、二级行业国家标准名称的相似度分数，剔除小于阈值的词，对每个企业，根据每类文本描述信息与相似度分数，计算企业所属的一级、二级行业，取对应的有效行业词集作为企业的行业全息画像。本发明可大规模快速获取企业行业画像信息，有效行业词较人工标注的词更加全面、精准。

主权项

一种面向企业信息的行业全息画像构建方法，其特征在于，实现步骤如下：步骤1、通过网络抓取企业名称，剔除个体商户、纯英文名称的企业，获取有效企业列表；步骤2、对有效企业列表中每个企业，提取企业文本描述信息集合；企业文本描述信息从如下几类获取：名称、介绍、知识产权、法律记录、媒体报道、公司年报和产品；步骤3、对步骤2提取的企业文本描述信息集合进行中文切词，得到企业文本描述信息包含的所有词集，并对所有词集进行处理，去除干扰词；去除干扰词判定条件为：剔除单字，包括英文和中文单字；剔除非中文词汇；步骤4、对步骤3中得到的词集进行合并统计，获取每个词出现的频次；步骤5、将步骤4中得到的词集中出现频次小于阈值thresholdword的词剔除，然后对词集中剩余的词进行中文文本聚类，剔除常用词，得到有效词集；首先，利用一段时间内全网新闻数据生成中文文本聚类模型，得到包括人名、地名的常用词；然后步骤4得到的词集与得到的常用词进行相似度计算，去除相似度大于阈值thresholdscore的词，得到有效词集；步骤6、计算有效词集中每个词与一级、二级行业国家标准名称的相似度分数，将分数小于阈值thresholdindustry的词剔除，获取有效行业词集，并生成有效行业词集对应的一级、二级行业相似度分数矩阵；步骤7、对每个有效企业构建行业全息画像；对每个有效企业，根据该企业的每一类企业文本描述信息的有效行业词，计算该企业在每个一级行业或每个二级行业的相似度分数，取相似度分数最大的一级行业或二级行业，作为该企业所属的一级行业或二级行业，将该企业所属的一级行业和二级行业对应的有效行业词集合并一起作为该企业的行业全息画像。