CN110928894B - 实体对齐的方法及装置 - Google Patents

Abstract

本申请提供了一种实体对齐的方法及装置，其中，该方法包括：获取待处理数据；基于所述待处理数据，从预先构建的商品标准数据库，筛选至少一条标准数据，并基于筛选得到的至少一条标准数据构成候选数据集；确定所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度；基于所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，从所述候选数据集中确定目标标准数据，并将所述目标标准数据确定为所述待处理数据的实体对齐结果。该实体对齐的方法可以降低在实体对齐过程中产生的误差，提高实体对齐的准确度。

Description

实体对齐的方法及装置

技术领域

本申请涉及数据处理领域，尤其是涉及一种实体对齐的方法及装置。

背景技术

随着移动互联网的不断发展，万物互联成为了可能。同时，电子商务充斥着人们的日常生活，通过网络上的电商平台购买商品也已经成为许多人的日常选择。

目前，在许多电商平台上，显示的商品的名称往往和商品的实际名称有所差异，许多商家为了使用户能够搜索到更多想要的商品，可能会在商品实际名称的基础上，附加别名、功效、规格等信息，使得商品的名称过于冗杂，命名不够规范。因此，可以采用实体对齐的方法对商品名称进行处理，实体对齐(Entity Alignment)也被称作实体匹配(EntityMatching)，是指对于异构数据源知识库中的各个实体，找出属于现实世界中的同一实体。

在现有技术中，目前的实体对齐方法有时不能获得准确的实体对齐结果，造成商品实体对齐过程中的误差较大。

发明内容

本申请至少提供一种实体对齐的方法及装置，能够减少实体对齐过程中产生的误差。

第一方面，本申请实施例提供了一种实体对齐的方法，包括：

获取待处理数据；

基于所述待处理数据，从预先构建的商品标准数据库，筛选至少一条标准数据，并基于筛选得到的至少一条标准数据构成候选数据集；

确定所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度；

基于所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，从所述候选数据集中确定目标标准数据，并将所述目标标准数据确定为所述待处理数据的实体对齐结果。

一种可选实施方式中，所述获取待处理数据之后，还包括：

对所述待处理数据进行数据预处理；所述数据预处理包括下述一种或者多种：

删除除文字、除数字、和/或除字母外的所有信息；

对字母进行大小写统一转换。

一种可选实施方式中，采用下述方式构建所述商品标准数据库：

获取多条商品官方数据；每条所述商品官方数据中，均包括一项或者多项商品的属性信息；

基于所述商品官方数据中包括的属性信息，生成多条标准数据，并基于多条标准数据，构建所述商品标准数据库。

一种可选实施方式中，所述基于所述商品官方数据中包括的属性信息，生成多条标准数据，包括：

从各条商品官方数据包括的各项属性信息中，确定与目标属性对应的目标属性信息；

基于所述目标属性信息，生成与每条所述商品官方数据分别对应的标准数据；

所述目标属性包括：品牌、和/或商品种类。

一种可选实施方式中，所述基于所述待处理数据，从预先构建的商品标准数据库，筛选至少一条标准数据，包括：

基于所述待处理数据中包括与目标属性对应的目标属性信息，在所述商品标准数据库中确定至少一条标准数据，并基于所述至少一条标准数据，构建所述候选数据集；

所述目标属性信息包括：品牌、和/或商品种类。

一种可选实施方式中，所述确定所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，包括：

针对所述候选数据集中的每条标准数据，确定该条标准数据与所述待处理数据的杰卡德系数，并确定该条标准数据与所述待处理数据的匹配度；

基于该条标准数据与所述待处理数据的杰卡德系数和匹配度，确定该条标准数据与所述待处理数据之间的相似度。

一种可选实施方式中，所述基于所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，从所述候选数据集中确定目标标准数据，包括：

从所述候选数据集中确定至少一条与所述待处理数据相似度最高的候选标准数据；

基于所述候选标准数据，确定所述目标标准数据。

一种可选实施方式中，所述基于所述候选标准数据，确定所述目标标准数据，包括：

将候选标准数据与所述待处理数据的相似度与预设的相似度阈值进行比对；

若所述候选标准数据与所述待处理数据的相似度大于所述预设的相似度阈值，则将该候选标准数据中任一条候选标准数据确定为所述目标标准数据。

一种可选实施方式中，所述将所述目标标准数据确定为所述待处理数据的实体对齐结果之后，还包括：

将所述目标标准数据与所述待处理数据的相似度，与预设的第一相似度阈值、以及第二相似度阈值进行比对；其中，第一相似度阈值大于第二相似度阈值；

若所述目标标准数据与所述待处理数据的相似度，大于所述第一相似度阈值，则建立所述待处理数据与所述目标标准数据之间的映射关系；

若所述目标标准数据与所述待处理数据的相似度，小于或者等于所述第一相似度阈值，且大于所述第二相似度阈值，则对所述目标标准数据以及所述待处理数据进行属性信息校验，并在校验通过后，建立所述待处理数据与所述目标标准数据之间的映射关系。

一种可选实施方式中，所述对所述目标标准数据以及所述待处理数据进行属性信息校验，包括：

将所述目标标准数据的属性信息，与所述待处理数据的属性信息进行匹配；若匹配成功的属性信息数量达到预设数量，则校验通过；

其中，所述属性信息包括：金额、规格、品牌、名称信息。

第二方面，本申请实施例还提供一种实体对齐的装置，该实体对齐的装置包括：获取模块、筛选模块、计算模块以及确定模块，其中：

所述获取模块，用于获取待处理数据；

所述筛选模块，用于基于所述待处理数据，从预先构建的商品标准数据库，筛选至少一条标准数据，并基于筛选得到的至少一条标准数据构成候选数据集；

所述计算模块，用于确定所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度；

所述确定模块，用于基于所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，从所述候选数据集中确定目标标准数据，并将所述目标标准数据确定为所述待处理数据的实体对齐结果。

一种可选实施方式中，所述获取模块，用于获取待处理数据之后，具体用于：

对所述待处理数据进行数据预处理；所述数据预处理包括下述一种或者多种：

删除除文字、除数字、和/或除字母外的所有信息；

对字母进行大小写统一转换。

一种可选实施方式中，采用下述方式构建所述商品标准数据库：

获取多条商品官方数据；每条所述商品官方数据中，均包括一项或者多项商品的属性信息；

基于所述商品官方数据中包括的属性信息，生成多条标准数据，并基于多条标准数据，构建所述商品标准数据库。

一种可选实施方式中，还包括生成模块，用于基于所述商品官方数据中包括的属性信息，生成多条标准数据时，具体用于：

从各条商品官方数据包括的各项属性信息中，确定与目标属性对应的目标属性信息；

基于所述目标属性信息，生成与每条所述商品官方数据分别对应的标准数据；

所述目标属性包括：品牌、和/或商品种类。

一种可选实施方式中，所述筛选模块，用于基于所述待处理数据，从预先构建的商品标准数据库，筛选至少一条标准数据时，具体用于：

基于所述待处理数据中包括与目标属性对应的目标属性信息，在所述商品标准数据库中确定至少一条标准数据，并基于所述至少一条标准数据，构建所述候选数据集；

所述目标属性信息包括：品牌、和/或商品种类。

一种可选实施方式中，所述计算模块，用于确定所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度时，具体用于：

针对所述候选数据集中的每条标准数据，确定该条标准数据与所述待处理数据的杰卡德系数，并确定该条标准数据与所述待处理数据的匹配度；

基于该条标准数据与所述待处理数据的杰卡德系数和匹配度，确定该条标准数据与所述待处理数据之间的相似度。

一种可选实施方式中，所述确定模块，用于基于所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，从所述候选数据集中确定目标标准数据时，具体用于：

从所述候选数据集中确定至少一条与所述待处理数据相似度最高的候选标准数据；

基于所述候选标准数据，确定所述目标标准数据。

一种可选实施方式中，所述确定模块，用于基于所述候选标准数据，确定所述目标标准数据时，具体用于：

将候选标准数据与所述待处理数据的相似度与预设的相似度阈值进行比对；

若所述候选标准数据与所述待处理数据的相似度大于所述预设的相似度阈值，则将该候选标准数据中任一条候选标准数据确定为所述目标标准数据。

一种可选实施方式中，所述确定模块，用于将所述目标标准数据确定为所述待处理数据的实体对齐结果之后，具体用于：

将所述目标标准数据与所述待处理数据的相似度，与预设的第一相似度阈值、以及第二相似度阈值进行比对；其中，第一相似度阈值大于第二相似度阈值；

若所述目标标准数据与所述待处理数据的相似度，大于所述第一相似度阈值，则建立所述待处理数据与所述目标标准数据之间的映射关系；

若所述目标标准数据与所述待处理数据的相似度，小于或者等于所述第一相似度阈值，且大于所述第二相似度阈值，则对所述目标标准数据以及所述待处理数据进行属性信息校验，并在校验通过后，建立所述待处理数据与所述目标标准数据之间的映射关系。

一种可选实施方式中，还包括校验模块，用于对所述目标标准数据以及所述待处理数据进行属性信息校验时，具体用于：

将所述目标标准数据的属性信息，与所述待处理数据的属性信息进行匹配；若匹配成功的属性信息数量达到预设数量，则校验通过；

其中，所述属性信息包括：金额、规格、品牌、名称信息。

第三方面，本申请实施例还提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面、或第一方面中任一种可能的实施方式中的步骤。

第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面、或第一方面中任一种可能的实施方式中的步骤。

本申请提供的一种实体对齐的方法及装置，首先，本申请中预先获取待处理数据，并且基于所述待处理数据，从预先构建的商品标准数据库，筛选至少一条标准数据，并基于筛选得到的至少一条标准数据构成候选数据集；之后，基于候选数据集，确定所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度；确定相似度之后，基于所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，从所述候选数据集中确定目标标准数据，并将所述目标标准数据确定为所述待处理数据的实体对齐结果，由此获得与待处理数据相对应的实体对齐结果。在该过程中，由于计算并验证了所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，并优化了相应的相似度计算方法，可以将进行实体对齐之后相似度较小的结果去除掉，由此可以降低在实体对齐过程中产生的误差，提高实体对齐的准确度。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本申请实施例所提供的一种实体对齐的方法的流程图；

图2示出了本申请实施例所提供的一种实体对齐的方法中建立映射关系的流程图；

图3示出了本申请实施例所提供的一种实体对齐的装置的结构示意图；

图4示出了本申请实施例所提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

考虑到现有技术中的实体对齐方法是利用字符串匹配的方法，不能很好的计算待处理数据与商品标准数据之间的相似度，不具备较好的适应性，且容易在计算过程中造成误差与干扰信息，造成实体对齐的结果准确性较低。

基于上述研究，本申请提供的一种实体对齐的方法及装置，首先，本申请中预先获取待处理数据，并且基于所述待处理数据，从预先构建的商品标准数据库，筛选至少一条标准数据，并基于筛选得到的至少一条标准数据构成候选数据集；之后，基于候选数据集，确定所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度；确定相似度之后，基于所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，从所述候选数据集中确定目标标准数据，并将所述目标标准数据确定为所述待处理数据的实体对齐结果，由此获得与待处理数据相对应的实体对齐结果。在该过程中，由于计算并验证了所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，并优化了相应的相似度计算方法，可以将进行实体对齐之后相似度较小的结果去除掉，由此可以降低在实体对齐过程中产生的误差，提高实体对齐的准确度。

针对以上方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本申请针对上述问题所提出的解决方案，都应该是发明人在本申请过程中对本申请做出的贡献。

下面将结合本申请中附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

本公开实施例所提供的实体对齐的方法的执行主体一般为具有一定计算能力的计算机设备，该计算机设备例如包括：终端设备或服务器或其它处理设备，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该实体对齐的方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。

下面以执行主体为计算机设备为例对本公开实施例提供的实体对齐的方法加以说明。

实施例一

参见图1所示，为本申请实施例一提供的一种实体对齐的方法的流程图，所述方法包括步骤S101～S104，其中：

S101：获取待处理数据。

S102：基于所述待处理数据，从预先构建的商品标准数据库，筛选至少一条标准数据，并基于筛选得到的至少一条标准数据构成候选数据集。

S103：确定所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度。

S104：基于所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，从所述候选数据集中确定目标标准数据，并将所述目标标准数据确定为所述待处理数据的实体对齐结果。

下面分别对上述S101～S104分别加以详细说明。

一：在上述S101中，获取待处理数据。

示例性的，可以从电商网站上爬取商品在电商网站上显示的商品名称，作为待处理数据，其中，待处理数据包含商品的名称、品牌、品类、价格、规格等信息。

示例性的，还可以从商品的品牌官方网站上爬取商品官方数据，或者依靠人工经验对商品官方数据进行校验。

此外，获取待处理数据之后，还包括：

对所述待处理数据进行数据预处理；所述数据预处理包括下述一种或者多种：

删除除文字、除数字、和/或除字母外的所有信息；

对字母进行大小写统一转换。

示例性的，若待处理数据中包含文字、数字、字母以及其他字母，为了使处理过程更加简洁，需要对待处理数据进行数据预处理，具体数据预处理方法包括：删除除文字、除数字、和/或除字母外的所有信息，例如标点符号、罗马字符、希腊字母等字符，只保留文字、数字以及字母信息。

示例性的，若待处理数据中包含的字母大小写不统一，则可以对待处理数据中的字母进行大小写统一转换，例如，待处理数据中同时包含大写字母和小写字母，则可以将全部大写字母和小写字母转换为小写字母，消除由于字母大小写不一致造成的误差，方便后续的数据处理。

示例性的，对于一些数值类的待处理数据，则可以只保留数字信息，删除除数字信息之外的所有信息。

此外，可以采用下述方式构建所述商品标准数据库：

获取多条商品官方数据；每条所述商品官方数据中，均包括一项或者多项商品的属性信息；

基于所述商品官方数据中包括的属性信息，生成多条标准数据，并基于多条标准数据，构建所述商品标准数据库。

其中，基于所述商品官方数据中包括的属性信息，生成多条标准数据，包括：

从各条商品官方数据包括的各项属性信息中，确定与目标属性对应的目标属性信息；

基于所述目标属性信息，生成与每条所述商品官方数据分别对应的标准数据；

所述目标属性包括：品牌、和/或商品种类。

其中，可以基于从商品的品牌官方网站上爬取商品的标准名称，或者依靠人工经验校验过的商品官方数据，基于所述商品官方数据中包括的属性信息，生成多条标准数据，并基于生成的多条标准数据，构建商品标准数据库。

示例性的，基于商品官方数据，可以对商品官方数据按照“品牌名”+“标准产品名”的命名规则，对商品官方数据进行标准化处理，例如：品牌A奶粉、品牌B薯片、品牌C洗衣粉等等，并收集规则命名后的标准数据，生成构建商品标准数据库。

二：在上述S102中，基于所述待处理数据，从预先构建的商品标准数据库，筛选至少一条标准数据，并基于筛选得到的至少一条标准数据构成候选数据集。

其中，可以基于所述待处理数据中包括的与目标属性对应的目标属性信息，在所述商品标准数据库中确定至少一条标准数据，并基于所述至少一条标准数据，构建所述候选数据集；

所述目标属性信息包括：品牌、和/或商品种类。

示例性的，为了降低运算量，减少预算时间，可以基于商品标准数据库，按照目标属性对应的目标属性信息，筛选出至少一条标准数据，并基于筛选出的至少一条标准数据，构建所述候选数据集，用于后续的处理过程。

示例性的，可以针对某一目标属性对应的目标属性信息，例如：品牌A、奶粉等，对商品标准数据库进行筛选，构建候选数据集。

示例性的，假设商品标准数据库含有10000条商品标准数据，若按照“品牌A”的目标属性信息对商品标准数据进行筛选，则可能筛选出100条标准数据，也就是说对于后续处理，只需要针对筛选出的100条标准数据进行处理，而不是对全部10000条商品标准数据进行后续处理，大大降低了预算量，节省计算时间，同时，也可以使得最终的实体对齐结果更为准确。

三：在上述S103中，确定所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度。

其中，本申请中计算所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度方法如下：

针对所述候选数据集中的每条标准数据，确定该条标准数据与所述待处理数据的杰卡德系数，并确定该条标准数据与所述待处理数据的匹配度；

基于该条标准数据与所述待处理数据的杰卡德系数和匹配度，确定该条标准数据与所述待处理数据之间的相似度。

满足下述公式(1)：

其中，A为所述标准数据，B为所述待处理数据，

为该条标准数据与所述待处理数据的匹配度，

为该条标准数据与所述待处理数据的杰卡德系数。

上述公式(1)可以看作对于该条标准数据与所述待处理数据的杰卡德系数的改进，相对于传统的杰卡德系数计算方法，该公式引入了该条标准数据与所述待处理数据的匹配度，可以更为准确地计算该条标准数据与所述待处理数据之间的相似度。

示例性的，根据公式

可以看出，如果A和B的交集与A的比值越大，说明A数据集中有更多比例的数据也在B数据集中出现，则本申请中计算出的相似度越接近传统的杰卡德系数。

示例性的，本申请中的相似度计算方法相当于给传统的杰卡德系数添加了惩罚项，使得和标准数据差异越大的待处理数据相似度越低，添加标准数据与所述待处理数据的匹配度，可以使得计算出的相似度差异更大，有利于后续处理。

示例性的，本申请中的相似度计算方法可以避免由于待处理数据中出现的标准数据以外的数据对标准数据与所述待处理数据之间的相似度计算造成的干扰。

四：在上述S104，基于所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，从所述候选数据集中确定目标标准数据，并将所述目标标准数据确定为所述待处理数据的实体对齐结果。

其中，从所述候选数据集中确定至少一条与所述待处理数据相似度最高的候选标准数据；

基于所述候选标准数据，确定所述目标标准数据。

示例性的，将步骤S103中计算得出的所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度进行排序。

示例性的，若计算得出的所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度数值最高的候选标准数据有且只有一个，则可以将所述候选标准数据直接确定为所述目标标准数据。

示例性的，若计算得出的所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度数值最高的候选标准数据有且不只一个，则可以选取相似度数值最高的候选标准数据中的任意一个，例如，第一个或最后一个，作为目标标准数据。

此外，基于所述候选标准数据，确定所述目标标准数据，包括：

将候选标准数据与所述待处理数据的相似度与预设的相似度阈值进行比对；

若所述候选标准数据与所述待处理数据的相似度大于所述预设的相似度阈值，则将该候选标准数据中任一条候选标准数据确定为所述目标标准数据。

示例性的，预设相似度阈值为0.8，若计算出的候选标准数据与所述待处理数据的相似度大于0.8，则将该候选标准数据中任一条候选标准数据确定为所述目标标准数据。

若计算出的候选标准数据与所述待处理数据的相似度小于0.8，则可以认为确认目标标准数据失败，返回结果为空。

基于上述研究，本申请实施例提供的一种实体对齐的方法，首先，本申请中预先获取待处理数据，并且基于所述待处理数据，从预先构建的商品标准数据库，筛选至少一条标准数据，并基于筛选得到的至少一条标准数据构成候选数据集；之后，基于候选数据集，确定所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度；确定相似度之后，基于所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，从所述候选数据集中确定目标标准数据，并将所述目标标准数据确定为所述待处理数据的实体对齐结果，由此获得与待处理数据相对应的实体对齐结果。在该过程中，由于计算并验证了所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，并优化了相应的相似度计算方法，可以将进行实体对齐之后相似度较小的结果去除掉，由此可以降低在实体对齐过程中产生的误差，提高实体对齐的准确度。

参见图2所示，为本申请实施例一提供的一种实体对齐的方法中建立映射关系的流程图，所述方法包括步骤S201～S203，其中：

S201：将所述目标标准数据与所述待处理数据的相似度，与预设的第一相似度阈值、以及第二相似度阈值进行比对；其中，第一相似度阈值大于第二相似度阈值。

S202：若所述目标标准数据与所述待处理数据的相似度，大于所述第一相似度阈值，则建立所述待处理数据与所述目标标准数据之间的映射关系。

S203：若所述目标标准数据与所述待处理数据的相似度，小于或者等于所述第一相似度阈值，且大于所述第二相似度阈值，则对所述目标标准数据以及所述待处理数据进行属性信息校验，并在校验通过后，建立所述待处理数据与所述目标标准数据之间的映射关系。

其中，所述对所述目标标准数据以及所述待处理数据进行属性信息校验，包括：

将所述目标标准数据的属性信息，与所述待处理数据的属性信息进行匹配；若匹配成功的属性信息数量达到预设数量，则校验通过；

其中，所述属性信息包括：金额、规格、品牌、名称信息。

示例性的，将所述得到的相似度分区段划分，具体地，可以将所述计算出的候选标准数据与所述待处理数据的相似度按照预设的第一相似度阈值、第二相似度阈值进行分区段划分，例如：预设第一相似度阈值为0.8，第二相似度阈值为0.5，并对相似度进行分区段划分。

示例性的，若所述得到所述待处理数据与所述候选数据集中的每个所述标准数据之间的相似度大于预设的第一相似度阈值，则确定所述映射关系。具体地，若计算出的候选标准数据与所述待处理数据的相似度大于预设的第一相似度阈值0.8，则可以直接确定所述映射关系。

示例性的，若所述得到所述待处理数据与所述候选数据集中的所述每个标准数据之间的相似度小于预设的第二相似度阈值，则不确定所述映射关系。具体地，若计算出的候选标准数据与所述待处理数据的相似度小于预设的第二相似度阈值0.5，则不确定所述映射关系。

示例性的，若所述得到所述待处理数据与所述候选数据集中的所述每个标准数据之间的相似度介于预设的第一相似度阈值与第二相似度阈值之间，则对所述标准数据与所述待处理数据进行属性信息校验；所述属性信息包括：金额、规格、品牌、名称信息。具体地，若计算出的候选标准数据与所述待处理数据的相似度小于第一相似度阈值0.8，大于预设的第二相似度阈值0.5，也就是介于0.5与0.8之间，则对所述标准数据与所述待处理数据进行属性信息校验；所述属性信息包括：金额、规格、品牌、名称信息。

示例性的，若所述标准数据与所述待处理数据的属性相同，例如：规格、金额等属性一致，则可以确定所述映射关系。

若所述标准数据与所述待处理数据的属性不一致，则不确定所述映射关系。

该实施例用于所述标准数据与所述待处理数据之间建立映射关系，可以使多个待处理数据对应到同一个标准数据上，该映射关系的建立有利于后续实体对齐的数据库的构建。

实施例二

参照图3所示，为本申请实施例二提供的一种实体对齐的装置的示意图，所述装置包括：获取模块31、筛选模块32、计算模块33以及确定模块34，其中：

获取模块31，用于获取待处理数据；

筛选模块32，用于基于所述待处理数据，从预先构建的商品标准数据库，筛选至少一条标准数据，并基于筛选得到的至少一条标准数据构成候选数据集；

计算模块33，用于确定所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度；

确定模块34，用于基于所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，从所述候选数据集中确定目标标准数据，并将所述目标标准数据确定为所述待处理数据的实体对齐结果。

基于上述研究，本申请实施例提供的一种实体对齐的装置，首先，本申请中预先获取待处理数据，并且基于所述待处理数据，从预先构建的商品标准数据库，筛选至少一条标准数据，并基于筛选得到的至少一条标准数据构成候选数据集；之后，基于候选数据集，确定所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度；确定相似度之后，基于所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，从所述候选数据集中确定目标标准数据，并将所述目标标准数据确定为所述待处理数据的实体对齐结果，由此获得与待处理数据相对应的实体对齐结果。在该过程中，由于计算并验证了所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，并优化了相应的相似度计算方法，可以将进行实体对齐之后相似度较小的结果去除掉，由此可以降低在实体对齐过程中产生的误差，提高实体对齐的准确度。

一种可能的实施方式中，所述获取模块31，用于获取待处理数据之后，具体用于：

对所述待处理数据进行数据预处理；所述数据预处理包括下述一种或者多种：

删除除文字、除数字、和/或除字母外的所有信息；

对字母进行大小写统一转换。

一种可能的实施方式中，采用下述方式构建所述商品标准数据库：

获取多条商品官方数据；每条所述商品官方数据中，均包括一项或者多项商品的属性信息；

基于所述商品官方数据中包括的属性信息，生成多条标准数据，并基于多条标准数据，构建所述商品标准数据库。

一种可能的实施方式中，还包括生成模块，用于基于所述商品官方数据中包括的属性信息，生成多条标准数据时，具体用于：

从各条商品官方数据包括的各项属性信息中，确定与目标属性对应的目标属性信息；

基于所述目标属性信息，生成与每条所述商品官方数据分别对应的标准数据；

所述目标属性包括：品牌、和/或商品种类。

一种可能的实施方式中，所述筛选模块32，用于基于所述待处理数据，从预先构建的商品标准数据库，筛选至少一条标准数据时，具体用于：

基于所述待处理数据中包括与目标属性对应的目标属性信息，在所述商品标准数据库中确定至少一条标准数据，并基于所述至少一条标准数据，构建所述候选数据集；

所述目标属性信息包括：品牌、和/或商品种类。

一种可能的实施方式中，所述计算模块33，用于确定所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度时，具体用于：

针对所述候选数据集中的每条标准数据，确定该条标准数据与所述待处理数据的杰卡德系数，并确定该条标准数据与所述待处理数据的匹配度；

基于该条标准数据与所述待处理数据的杰卡德系数和匹配度，确定该条标准数据与所述待处理数据之间的相似度。

一种可能的实施方式中，所述确定模块34，用于基于所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，从所述候选数据集中确定目标标准数据时，具体用于：

从所述候选数据集中确定至少一条与所述待处理数据相似度最高的候选标准数据；

基于所述候选标准数据，确定所述目标标准数据。

一种可能的实施方式中，所述确定模块34，用于基于所述候选标准数据，确定所述目标标准数据时，具体用于：

将候选标准数据与所述待处理数据的相似度与预设的相似度阈值进行比对；

若所述候选标准数据与所述待处理数据的相似度大于所述预设的相似度阈值，则将该候选标准数据中任一条候选标准数据确定为所述目标标准数据。

一种可能的实施方式中，所述确定模块34，用于将所述目标标准数据确定为所述待处理数据的实体对齐结果之后，具体用于：

将所述目标标准数据与所述待处理数据的相似度，与预设的第一相似度阈值、以及第二相似度阈值进行比对；其中，第一相似度阈值大于第二相似度阈值；

若所述目标标准数据与所述待处理数据的相似度，大于所述第一相似度阈值，则建立所述待处理数据与所述目标标准数据之间的映射关系；

若所述目标标准数据与所述待处理数据的相似度，小于或者等于所述第一相似度阈值，且大于所述第二相似度阈值，则对所述目标标准数据以及所述待处理数据进行属性信息校验，并在校验通过后，建立所述待处理数据与所述目标标准数据之间的映射关系。

一种可能的实施方式中，还包括校验模块，用于对所述目标标准数据以及所述待处理数据进行属性信息校验，具体用于：

将所述目标标准数据的属性信息，与所述待处理数据的属性信息进行匹配；若匹配成功的属性信息数量达到预设数量，则校验通过；

其中，所述属性信息包括：金额、规格、品牌、名称信息。

实施例三

本申请实施例还提供了一种计算机设备400，如图4所示，为本申请实施例提供的计算机设备400结构示意图，包括：

处理器41、存储器42、和总线43；存储器42用于存储执行指令，包括内存421和外部存储器422；这里的内存421也称内存储器，用于暂时存放处理器41中的运算数据，以及与硬盘等外部存储器422交换的数据，处理器41通过内存421与外部存储器422进行数据交换，当所述计算机设备400运行时，所述处理器41与所述存储器42之间通过总线43通信，使得所述处理器41在用户态执行以下指令：

获取待处理数据；

基于所述待处理数据，从预先构建的商品标准数据库，筛选至少一条标准数据，并基于筛选得到的至少一条标准数据构成候选数据集；

确定所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度；

基于所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，从所述候选数据集中确定目标标准数据，并将所述目标标准数据确定为所述待处理数据的实体对齐结果。

一种可能的实施方式中，处理器41执行的指令中，所述获取待处理数据之后，还包括：

对所述待处理数据进行数据预处理；所述数据预处理包括下述一种或者多种：

删除除文字、除数字、和/或除字母外的所有信息；

对字母进行大小写统一转换。

一种可能的实施方式中，处理器41执行的指令中，采用下述方式构建所述商品标准数据库：

获取多条商品官方数据；每条所述商品官方数据中，均包括一项或者多项商品的属性信息；

基于所述商品官方数据中包括的属性信息，生成多条标准数据，并基于多条标准数据，构建所述商品标准数据库。

一种可能的实施方式中，处理器41执行的指令中，所述基于所述商品官方数据中包括的属性信息，生成多条标准数据，包括：

从各条商品官方数据包括的各项属性信息中，确定与目标属性对应的目标属性信息；

基于所述目标属性信息，生成与每条所述商品官方数据分别对应的标准数据；

所述目标属性包括：品牌、和/或商品种类。

一种可能的实施方式中，处理器41执行的指令中，所述基于所述待处理数据，从预先构建的商品标准数据库，筛选至少一条标准数据，包括：

基于所述待处理数据中包括与目标属性对应的目标属性信息，在所述商品标准数据库中确定至少一条标准数据，并基于所述至少一条标准数据，构建所述候选数据集；

所述目标属性信息包括：品牌、和/或商品种类。

一种可能的实施方式中，处理器41执行的指令中，所述确定所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，包括：

针对所述候选数据集中的每条标准数据，确定该条标准数据与所述待处理数据的杰卡德系数，并确定该条标准数据与所述待处理数据的匹配度；

基于该条标准数据与所述待处理数据的杰卡德系数和匹配度，确定该条标准数据与所述待处理数据之间的相似度。

一种可能的实施方式中，处理器41执行的指令中，所述基于所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，从所述候选数据集中确定目标标准数据，包括：

从所述候选数据集中确定至少一条与所述待处理数据相似度最高的候选标准数据；

基于所述候选标准数据，确定所述目标标准数据。

一种可能的实施方式中，处理器41执行的指令中，所述基于所述候选标准数据，确定所述目标标准数据，包括：

将候选标准数据与所述待处理数据的相似度与预设的相似度阈值进行比对；

若所述候选标准数据与所述待处理数据的相似度大于所述预设的相似度阈值，则将该候选标准数据中任一条候选标准数据确定为所述目标标准数据。

一种可能的实施方式中，处理器41执行的指令中，所述将所述目标标准数据确定为所述待处理数据的实体对齐结果之后，还包括：

将所述目标标准数据与所述待处理数据的相似度，与预设的第一相似度阈值、以及第二相似度阈值进行比对；其中，第一相似度阈值大于第二相似度阈值；

若所述目标标准数据与所述待处理数据的相似度，大于所述第一相似度阈值，则建立所述待处理数据与所述目标标准数据之间的映射关系；

若所述目标标准数据与所述待处理数据的相似度，小于或者等于所述第一相似度阈值，且大于所述第二相似度阈值，则对所述目标标准数据以及所述待处理数据进行属性信息校验，并在校验通过后，建立所述待处理数据与所述目标标准数据之间的映射关系。

一种可能的实施方式中，处理器41执行的指令中，所述对所述目标标准数据以及所述待处理数据进行属性信息校验，包括：

将所述目标标准数据的属性信息，与所述待处理数据的属性信息进行匹配；若匹配成功的属性信息数量达到预设数量，则校验通过；

其中，所述属性信息包括：金额、规格、品牌、名称信息。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的实体对齐的方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (9)

1.一种实体对齐的方法，其特征在于，包括：

获取待处理数据；

基于所述待处理数据，从预先构建的商品标准数据库，筛选至少一条标准数据，并基于筛选得到的至少一条标准数据构成候选数据集；

确定所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度；

基于所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，从所述候选数据集中确定目标标准数据，并将所述目标标准数据确定为所述待处理数据的实体对齐结果；

采用下述方式构建所述商品标准数据库：

获取多条商品官方数据；每条所述商品官方数据中，均包括一项或者多项商品的属性信息；

基于所述商品官方数据中包括的属性信息，生成多条标准数据，并基于多条标准数据，构建所述商品标准数据库；

所述确定所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，包括：

针对所述候选数据集中的每条标准数据，确定该条标准数据与所述待处理数据的杰卡德系数，并确定该条标准数据与所述待处理数据的匹配度；

所述该条标准数据与所述待处理数据的匹配度的公式具体为：

；

其中，为所述标准数据，为所述待处理数据，为该条标准数据与所述待处理数据的匹配度，为该条标准数据与所述待处理数据的杰卡德系数；

基于该条标准数据与所述待处理数据的杰卡德系数和匹配度，确定该条标准数据与所述待处理数据之间的相似度；

所述将所述目标标准数据确定为所述待处理数据的实体对齐结果之后，还包括：

将所述目标标准数据与所述待处理数据的相似度，与预设的第一相似度阈值、以及第二相似度阈值进行比对；其中，第一相似度阈值大于第二相似度阈值；

若所述目标标准数据与所述待处理数据的相似度，大于所述第一相似度阈值，则建立所述待处理数据与所述目标标准数据之间的映射关系；

若所述目标标准数据与所述待处理数据的相似度，小于或者等于所述第一相似度阈值，且大于所述第二相似度阈值，则对所述目标标准数据以及所述待处理数据进行属性信息校验，并在校验通过后，建立所述待处理数据与所述目标标准数据之间的映射关系；

所述对所述目标标准数据以及所述待处理数据进行属性信息校验，包括：

将所述目标标准数据的属性信息，与所述待处理数据的属性信息进行匹配；若匹配成功的属性信息数量达到预设数量，则校验通过；

其中，所述属性信息包括：金额、规格、品牌、名称信息。

2.根据权利要求1所述的方法，其特征在于，所述获取待处理数据之后，还包括：

对所述待处理数据进行数据预处理；所述数据预处理包括下述一种或者多种：

删除除文字、除数字、和/或除字母外的所有信息；

对字母进行大小写统一转换。

3.根据权利要求1所述的方法，其特征在于，所述基于所述商品官方数据中包括的属性信息，生成多条标准数据，包括：

从各条商品官方数据包括的各项属性信息中，确定与目标属性对应的目标属性信息；

基于所述目标属性信息，生成与每条所述商品官方数据分别对应的标准数据；

所述目标属性包括：品牌、和/或商品种类。

4.根据权利要求1所述的方法，其特征在于，所述基于所述待处理数据，从预先构建的商品标准数据库，筛选至少一条标准数据，包括：

基于所述待处理数据中包括与目标属性对应的目标属性信息，在所述商品标准数据库中确定至少一条标准数据，并基于所述至少一条标准数据，构建所述候选数据集；

所述目标属性信息包括：品牌、和/或商品种类。

5.根据权利要求1所述的方法，其特征在于，所述基于所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，从所述候选数据集中确定目标标准数据，包括：

从所述候选数据集中确定至少一条与所述待处理数据相似度最高的候选标准数据；

基于所述候选标准数据，确定所述目标标准数据。

6.根据权利要求5所述的方法，其特征在于，所述基于所述候选标准数据，确定所述目标标准数据，包括：

将候选标准数据与所述待处理数据的相似度与预设的相似度阈值进行比对；

若所述候选标准数据与所述待处理数据的相似度大于所述预设的相似度阈值，则将该候选标准数据中任一条候选标准数据确定为所述目标标准数据。

7.一种实体对齐的装置，其特征在于，包括：

获取模块，用于获取待处理数据；

筛选模块，用于基于所述待处理数据，从预先构建的商品标准数据库，筛选至少一条标准数据，并基于筛选得到的至少一条标准数据构成候选数据集；

计算模块，用于确定所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度；

确定模块，用于基于所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，从所述候选数据集中确定目标标准数据，并将所述目标标准数据确定为所述待处理数据的实体对齐结果；

采用下述方式构建所述商品标准数据库：

获取多条商品官方数据；每条所述商品官方数据中，均包括一项或者多项商品的属性信息；

基于所述商品官方数据中包括的属性信息，生成多条标准数据，并基于多条标准数据，构建所述商品标准数据库；

所述确定所述待处理数据分别与所述候选数据集中的每条标准数据之间的相似度，包括：

针对所述候选数据集中的每条标准数据，确定该条标准数据与所述待处理数据的杰卡德系数，并确定该条标准数据与所述待处理数据的匹配度；

所述该条标准数据与所述待处理数据的匹配度的公式具体为：

；

其中，为所述标准数据，为所述待处理数据，为该条标准数据与所述待处理数据的匹配度，为该条标准数据与所述待处理数据的杰卡德系数；

基于该条标准数据与所述待处理数据的杰卡德系数和匹配度，确定该条标准数据与所述待处理数据之间的相似度；

所述将所述目标标准数据确定为所述待处理数据的实体对齐结果之后，还包括：

将所述目标标准数据与所述待处理数据的相似度，与预设的第一相似度阈值、以及第二相似度阈值进行比对；其中，第一相似度阈值大于第二相似度阈值；

若所述目标标准数据与所述待处理数据的相似度，大于所述第一相似度阈值，则建立所述待处理数据与所述目标标准数据之间的映射关系；

若所述目标标准数据与所述待处理数据的相似度，小于或者等于所述第一相似度阈值，且大于所述第二相似度阈值，则对所述目标标准数据以及所述待处理数据进行属性信息校验，并在校验通过后，建立所述待处理数据与所述目标标准数据之间的映射关系；

所述对所述目标标准数据以及所述待处理数据进行属性信息校验，包括：

将所述目标标准数据的属性信息，与所述待处理数据的属性信息进行匹配；若匹配成功的属性信息数量达到预设数量，则校验通过；

其中，所述属性信息包括：金额、规格、品牌、名称信息。

8.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的方法的步骤。

9.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的方法的步骤。

Images