【技术实现步骤摘要】
一种企业行业分类方法
本专利技术涉及数据分类方法研究领域,更具体的是,涉及行业关键词提取,在企业经营范围与多个行业描述均有交叉的情况下,融合半监督图分裂聚类和级联梯度提升决策树的企业行业分类方法。
技术介绍
中华人民共和国国家统计局在2013年发布的行业分类标准中,一共分为20个一级行业,细分为96个二级行业。企业的行业标签是一个重要字段,而全国已有企业达千万级别,并且每天有不少企业孵化,如何快速对企业按行业分类是个重要问题。在以往的行业划分规范中,企业所属行业由企业的经营范围描述而得。但是,由于企业的经营范围描述往往涉及到多个行业的描述,人工分类的工作存在着更多的困难。为了解决人工分类工作繁琐的问题,需要提出企业行业分类方法。企业行业分类是自然语言处理领域的一个重要应用。首先,在文本特征表示上,有词向量和词袋模型两种。由于行业描述大部分是专有名词,词向量不适用于此场景。并且,如何提取企业描述中的业务关键词,成为了主要问题之一。其次,常见的分类方法有支持向量机、决策树、神经网络、逻辑回归、k邻近值、自适应增强方法等。支持向量机(SupportVectorMachine,SVM)可用于小数据分类,而对于大数据分类难以实施,训练模型速度极慢,难以拟合。决策树(DecisionTree,DT)可对样本快速分类,但是由于对特征决策较为绝对,容易出现过拟合。传统神经网络需要拟合的参数量较大,训练过程极慢,不适用于大数据处理。逻辑回归(LogicRegression,LR)与传统神经网络类似,而k邻近值(K-NearestNeighbors,KNN)计算复杂,需要大存 ...
【技术保护点】
一种企业行业分类方法,其特征在于,包括步骤:利用词向量和半监督图分裂聚类方法提取企业的主营业务关键词,剔除垃圾词,构造关键词库;将提取的关键词作为特征输入训练级联分类器,每一级的分类器对企业进行分类,未分类的企业按下一级的分类器分类。
【技术特征摘要】
1.一种企业行业分类方法,其特征在于,包括步骤:利用词向量和半监督图分裂聚类方法提取企业的主营业务关键词,剔除垃圾词,构造关键词库;将提取的关键词作为特征输入训练级联分类器,每一级的分类器对企业进行分类,未分类的企业按下一级的分类器分类。2.根据权利要求1所述的企业行业分类方法,其特征在于,包括步骤:(1)构造语料库,训练词向量模型;(2)基于文本中每个词的权重初步提取企业关键词;(3)用词向量和聚类方法提取企业的主营业务关键词,剔除垃圾词,训练词类模型,得到词类模型分类器;(4)细聚类筛选出的关键词,构造关键词库;(5)处理特征输入,训练层次分类器和级联分类器,其中层次分类器由一级行业分类器和二级行业分类器组成,级联分类器由多个层次分类器组成;(6)提取新关键词并自动更新关键词库。3.根据权利要求2所述的企业行业分类方法,其特征在于,所述步骤(1)中,从企业简介、企业专利、企业招聘信息、企业经营范围等描述中获取文本,训练N维的词向量模型。4.根据权利要求2所述的企业行业分类方法,其特征在于,所述步骤(2)初步提取企业关键词的步骤是:首先对文本描述分词,其次剔除停用词,再筛选特定词性的词语,最后根据词频逆词频计算每篇文档中每个词的权重,删除权重值低于预设值的词,剩下的即为初步提取的企业关键词。5.根据权利要求2所述的企业行业分类方法,其特征在于,所述步骤(3)中,对多篇已提取的关键词使用词向量和k-means聚类,以词向量计算两个词之间的欧式距离;聚类后,人工干预对k个类按主营业务关键词和垃圾词划分为两类,使用梯度提升决策树对垃圾词和关键词训练词类模型。6.根据权利要求2所述的企业行业分类方法,其特征在于,所述步骤(4)中,细聚类的方法是对已筛选出的关键词再次进行k-means聚类细分,得到多个类别的关键词,构造出每个类别对应的关键词库。7.根据权利要求2所述的企业行业分类方法,其特征在于,所述步骤(5)的具体步骤是:(5-1)对企业经营范围描述使用TFIDF算法提取关键词,使用关键词库对未能提取的关键词匹配进行补充;将训练样本中所有经营范围描述所提取的关键词组成词袋,即每个词对应一个词ID;使用词袋模型向量化企业经营范围的描述;(5-2)训练层次分类器的步骤是:层次分类器由一级行业分类器和二级行业分类器组成,一级行业分类器由M个模型组成,代表M个一级行业;在第i个模型中,以行业i的描述作为正样本,其他行业j的描述作为负样本,j≠i,使用梯度提升决策树算法训练模型;二级行业分类器的模型数为P,代表P个二级行业,其中,每个一级行业下有相关的二级行业分类模型;训练一级行业下的二级行业分类器与一级行业分类器同理,若样本被一级行业分类器预测为该一级行业,则使用该一级行业下相关的二级行业分类模型对样本再次预测,得到该样本的二级行业类别;(5-3)训练级联分类器的步骤是:级联分类器由多个层次分类器组成,假设总分类器由多级分类器A...
【专利技术属性】
技术研发人员:陈开冉,吴璐璐,
申请(专利权)人:广州探迹科技有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。