CN111079434B - 公司简称自动对应公司全称的方法、设备和存储介质 - Google Patents

公司简称自动对应公司全称的方法、设备和存储介质 Download PDF

Info

Publication number
CN111079434B
CN111079434B CN201911233826.1A CN201911233826A CN111079434B CN 111079434 B CN111079434 B CN 111079434B CN 201911233826 A CN201911233826 A CN 201911233826A CN 111079434 B CN111079434 B CN 111079434B
Authority
CN
China
Prior art keywords
company
candidate
matching degree
abbreviations
name
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911233826.1A
Other languages
English (en)
Other versions
CN111079434A (zh
Inventor
郑文裕
钟晓超
龚朝辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qichacha Technology Co ltd
Original Assignee
Qichacha Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qichacha Technology Co ltd filed Critical Qichacha Technology Co ltd
Priority to CN201911233826.1A priority Critical patent/CN111079434B/zh
Publication of CN111079434A publication Critical patent/CN111079434A/zh
Application granted granted Critical
Publication of CN111079434B publication Critical patent/CN111079434B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明揭示了一种公司简称自动对应公司全称的方法、设备和存储介质，所述方法包括：获取公司简称，通过所述公司简称，检索出相关的候选公司全称；将每个所述候选公司全称分割为多个词，并将分割后的各个词与所述公司简称比对，计算所有候选公司全称的匹配度，选出最高匹配度；若所述最高匹配度大于或等于设定阈值，选取所述最高匹配度对应的候选公司全称与所述公司简称进行对应。与现有技术相比，本发明的公司简称自动对应公司全称的方法，能够自动将文本或口语中出现的公司简称与公司全称进行对应，对应准确率高。同时，通过深度学习的方式，能够实现对大规模的公司简称进行识别，识别准确率高，且能够大大降低硬件成本，提高识别的效率。

Description

公司简称自动对应公司全称的方法、设备和存储介质
技术领域
本发明涉及互联网技术领域，特别是涉及一种公司简称自动对应公司全称的方法、设备和存储介质。
背景技术
公司名称是具有规范性的，通常由行政区划+字号+行业特点+组织形式这四部分组成，但是人在写文章或者使用口语说话的时候经常会省略某部分，例如：苏州某某网络科技有限公司，人们通常会说“某某”、“苏州某某”、“某某网络”、“某某科技”等简称。这就会产生一个问题：计算机如何自动将公司简称对应到其表示的真正的公司全称上。
发明内容
本发明的目的在于提供一种公司简称自动对应公司全称的方法、设备和存储介质。
为实现上述发明目的之一，本发明一实施方式提供一种公司简称自动对应公司全称的方法，所述方法包括：
获取公司简称，通过所述公司简称，检索出相关的候选公司全称；
将每个所述候选公司全称分割为多个词，并将分割后的各个词与所述公司简称比对，计算所有候选公司全称的匹配度，选出最高匹配度；
若所述最高匹配度大于或等于设定阈值，选取所述最高匹配度对应的候选公司全称与所述公司简称进行对应。
作为本发明一实施方式的进一步改进，所述“将每个所述候选公司全称分割为多个词，将分割后的各个词与所述公司简称比对，计算所有候选公司全称的匹配度”具体包括：
对所述候选公司全称进行语义分割，每个候选公司全称分割成多个词；
将分割后的各个词打上类型标签；
根据所述公司简称和类型标签的权重，计算所有所述候选公司全称的匹配度。
作为本发明一实施方式的进一步改进，所述类型标签包括地点信息、名称部分、公司类型、括号内容、后缀和子公司部分。
作为本发明一实施方式的进一步改进，确定所述类型标签的权重的方法包括：
赋予每个类型标签初始权重；
根据测试结果的准确性，在所述初始权重的基础上调整各个类型标签的权重。
作为本发明一实施方式的进一步改进，所述“选取所述最高匹配度对应的候选公司全称与所述公司简称进行对应”具体包括：
若所述最高匹配度对应的候选公司全称是唯一的，选取所述最高匹配度对应的候选公司全称与所述公司简称进行对应，否则通过其它附加条件，从所述最高匹配度对应的候选公司全称中选取唯一的候选公司全称，与所述公司简称对应。
作为本发明一实施方式的进一步改进，所述其它附加条件是指所述公司简称出现的文本的上下文信息，或者获取所述公司简称时包含的地址信息。
作为本发明一实施方式的进一步改进，所述方法还包括：
若所述最高匹配度小于设定阈值，判断所述公司简称是否是产品名称或者股票名称，若是，选取所述产品名称或者股票名称对应的公司全称与所述公司简称对应；若否，选取所述最高匹配度对应的候选公司全称与所述公司简称进行对应。
作为本发明一实施方式的进一步改进，所述“获取公司简称”具体包括：
对部分语料库中出现的公司简称进行标注；
使用深度学习模型对所述标注数据进行训练；
通过所述训练好的深度学习模型识别并提取公司简称。
为实现上述发明目的之一，本发明一实施方式提供一种电子设备，包括存储器和处理器，所述存储器存储有可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任意一项所述公司简称自动对应公司全称的方法中的步骤。
为实现上述发明目的之一，本发明一实施方式提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述公司简称自动对应公司全称的方法中的步骤。
与现有技术相比，本发明的公司简称自动对应公司全称的方法，能够自动将文本或口语中出现的公司简称与公司全称进行对应，对应准确率高。同时，通过深度学习的方式，能够实现对大规模的公司简称进行识别，识别准确率高，且能够大大降低硬件成本，提高识别的效率。
附图说明
图1是本发明公司简称自动对应公司全称的方法的流程示意图。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述。但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
如图1所示，本发明提供一种公司简称自动对应公司全称的方法，所述方法能够自动将文本或口语中出现的公司简称与公司全称对应，并且准确率高。所述方法包括：
步骤S100：获取公司简称，通过所述公司简称，检索出相关的候选公司全称。
公司简称的获取可以是直接根据用户输入获取，也可以从文本中识别并提取出来。
计算机如何从一大篇文章或者口语文本中将公司简称识别出来，也是一个需要解决的问题。目前市面上只有简单的公司简称识别方案。其主要以规则为主，首先根据规则对公司全称进行排列组合出简称，然后将这些简称候选集作为倒排索引的词表，再利用倒排索引检索出文章中所包含的这些公司简称。
但是这种方法准确率较低，并且只能对少量的公司做简称识别，在全量的公司名称下，根据规则对公司全称进行排列组合出来的简称数目是一个非常庞大的天文数字，最少的情况下都要几亿，量多时可以达到上百亿，而这些公司简称需要作为倒排索引的词表是一个非常困难的事情，单台的服务器几乎不可能实现。
因此，在一个优选的实施方式中，从文本中提取公司简称的方式是基于深度学习模型的，这种方式能够实现对大规模的公司简称进行识别，并且准确率高，所述方式具体包括：
步骤S110：对部分语料库中出现的公司简称进行标注。
从语料库中抽取部分数据进行人工标注，例如：对于语料库中的这句话：“目前百度市值为378亿元,位列阿里巴巴、腾讯、美团、京东之后”，我们会将“百度”、“阿里巴巴”、“腾讯”、“美团”和“京东”先进行标注出来，用于后续的训练。
步骤S120：使用深度学习模型对所述标注数据进行训练。
优选深度学习模型使用的是词嵌入(字嵌入)+BILSTM+CRF对数据进行序列标注训练，让模型能够识别出公司的简称。所述深度学习模型为现有技术，具体的，首先对语料进行处理，使用word2vec对语料的字进行嵌入，每个字特征为50维。得到字嵌入后，用字嵌入特征喂给BILSTM(Bi-directional Long Short-Term Memory，双向长短期记忆网络)，对输出的隐层加一个线性层，最后加一个CRF(conditional random field，条件随机场)就得到本发明的深度学习模型。
步骤S130：通过所述训练好的深度学习模型识别并提取公司简称。
使用所述训练好的深度学习模型对文本中出现的公司简称进行识别，例如对于文本中的这句话：“亚马逊、微软、阿里云占据七成市场份额,其中亚马逊以47.8的市场份额领跑”，所述模型能够将“亚马逊”、“微软”、“阿里云”、“亚马逊”识别出来。
通过深度学习的方式，能够实现对大规模的公司简称进行识别，识别准确率高，且能够大大降低硬件成本，提高识别的效率。
获取公司简称后，将所述公司简称使用检索模型检索出相关的候选公司全称。
检索模型优选采用TF-IDF模型，例如获取的公司简称为“亚马逊”，使用检索模型可以检索出“亚马逊(中国)投资有限公司”和“亚马逊通技术服务(北京)有限公司”这两个候选公司全称。
步骤S200：将每个所述候选公司全称分割为多个词，并将分割后的各个词与所述公司简称比对，计算所有候选公司全称的匹配度，选出最高匹配度。
所述步骤具体包括：
步骤S210：对候选公司全称进行语义分割，每个候选公司全称分割成多个词。对候选公司全称进行语义分割，例如“亚马逊(中国)投资有限公司”可以切分为“亚马逊”、“中国”、“投资”和“有限公司”，“亚马逊通技术服务(北京)有限公司”可以且分为“亚马逊通”、“技术服务”、“北京”和“有限公司”。
步骤S220：将分割后的各个词打上类型标签。
优选类型标签包括地点信息、名称部分、公司类型、括号内容、后缀和子公司部分等。以上面的例子为例，上述切分后的“亚马逊”、“中国”、“投资”和“有限公司”分别被打上“名称部分”、“括号内容”、“公司类型”和“后缀”的标签。切分后的“亚马逊通”、“技术服务”、“北京”和“有限公司”被打上“名称部分”、“公司类型”、“括号内容”和“后缀”的标签。
步骤S230：根据所述公司简称和类型标签的权重，计算所有所述候选公司全称的匹配度。
确定类型标签的权重的方法可以是直接赋予权重值，也可以是首先赋予每个类型标签一个初始权重(例如初始权重都为1)，根据后续的测试结果的准确性，在所述初始权重的基础上调整各个类型标签的权重。例如根据测试结果，发现类型标签“名称部分”对结果的准确性影响比较大时，向上调高类型标签“名称部分”的权重，或者根据测试结果发现“后缀”这个标签对结果的准确性影响很小时，向下调低“后缀”这个标签的权重。可以对标签的权重进行多次调整，直至测试结果的准确率达到阈值，最终确定各个类型标签的权重。当然，如果后续有必要，还可以对类型标签的权重进行调整。
然后根据所述公司简称和类型标签的权重，计算所有所述候选公司全称的匹配度。举一个简单的例子，假设各个类型标签的权重都为1，上述公司简称“亚马逊”的候选公司全称为“亚马逊(中国)投资有限公司”和“亚马逊通技术服务(北京)有限公司”，“亚马逊(中国)投资有限公司”的匹配度为1，“亚马逊通技术服务(北京)有限公司”的匹配度为0。
最后选出最高匹配度，例如对于公司简称“亚马逊”选出的候选公司全称的最高匹配度为1。
步骤S300：若所述最高匹配度大于或等于设定阈值，选取所述最高匹配度对应的候选公司全称与所述公司简称进行对应。此处设置了一个设定阈值，是为了提高对应结果的准确性的。当最高匹配度大于或等于设定阈值，此时对应的结果准确性比较高，可以直接将公司简称与所述最高匹配度对应的候选公司全称进行对应。
需要说明的是，若所述最高匹配度对应的候选公司全称是唯一的，选取所述最高匹配度对应的候选公司全称与所述公司简称进行对应，否则通过其它附加条件，从所述最高匹配度对应的复数个候选公司全称中选取唯一的候选公司全称，与所述公司简称对应。具体的所述其它附加条件是指所述公司简称出现的文本的上下文信息，或者获取所述公司简称时包含的地址信息等。例如公司简称“翱翔”对应的匹配度最高的候选公司全称为“苏州翱翔网络科技有限公司”和“湖南翱翔科技服务有限公司”，此时，根据文本中的上下文信息或者输入公司简称的用户所在地，可以得到地址信息为苏州，可以选出“苏州翱翔网络科技有限公司”为与所述公司简称“翱翔”对应的候选公司全称。
在一个优选的实施方式中，所述方法还包括：
若所述最高匹配度小于设定阈值，判断所述公司简称是否是产品名称或者股票名称，若是，选取所述产品名称或者股票名称对应的公司全称与所述公司简称对应；若否，选取所述最高匹配度对应的候选公司全称与所述公司简称进行对应。
可以将产品名称、股票名称或者公司别称与其对应的公司全称通过一一对应的方式存储在数据库中，当获取到的公司简称为产品名称、股票名称或者公司别称时，可以通过查询数据库，找出对应的公司全称，与所述公司简称对应。
在一个具体的实施例中，苏州翱翔网络科技有限公司的产品为产品A，从文本中提取了公司简称为“产品A”，在检索模型中检索到了多个候选公司全称，计算所有检索出来的候选公司全称的匹配度，发现最高匹配度小于设定阈值，使用“产品A”在数据库中进行搜索，找到“产品A”对应的公司全称为“苏州翱翔网络科技有限公司”，将公司简称“产品A”与公司全称“苏州翱翔网络科技有限公司”进行对应。
本发明的公司简称自动对应公司全称的方法，能够自动将文本或口语中出现的公司简称与公司全称进行对应，对应准确率高。同时，通过深度学习的方式，能够实现对大规模的公司简称进行识别，识别准确率高，且能够大大降低硬件成本，提高识别的效率。
本发明还提供一种电子设备，包括存储器和处理器，所述存储器存储有可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述所述公司简称自动对应公司全称的方法中的任意一个步骤，也就是说，实现上述所述公司简称自动对应公司全称的方法中任意一个技术方案中的步骤。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述公司简称自动对应公司全称的方法中的任意一个步骤，也就是说，实现上述所述公司简称自动对应公司全称的方法中的任意一个技术方案中的步骤。
应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

Claims (8)

1.一种公司简称自动对应公司全称的方法，其特征在于，所述方法包括：
获取公司简称，通过所述公司简称，检索出相关的候选公司全称；
将每个所述候选公司全称分割为多个词，并将分割后的各个词与所述公司简称比对，计算所有候选公司全称的匹配度，选出最高匹配度；
若所述最高匹配度大于或等于设定阈值，选取所述最高匹配度对应的候选公司全称与所述公司简称进行对应；
所述“选取所述最高匹配度对应的候选公司全称与所述公司简称进行对应”具体包括：
若所述最高匹配度对应的候选公司全称是唯一的，选取所述最高匹配度对应的候选公司全称与所述公司简称进行对应，否则通过其它附加条件，从所述最高匹配度对应的候选公司全称中选取唯一的候选公司全称，与所述公司简称对应；
其中，所述其它附加条件是指所述公司简称出现的文本的上下文信息，或者获取所述公司简称时包含的地址信息。
2.根据权利要求1所述公司简称自动对应公司全称的方法，其特征在于，所述“将每个所述候选公司全称分割为多个词，将分割后的各个词与所述公司简称比对，计算所有候选公司全称的匹配度”具体包括：
对所述候选公司全称进行语义分割，每个候选公司全称分割成多个词；
将分割后的各个词打上类型标签；
根据所述公司简称和类型标签的权重，计算所有所述候选公司全称的匹配度。
3.根据权利要求2所述公司简称自动对应公司全称的方法，其特征在于：
所述类型标签包括地点信息、名称部分、公司类型、括号内容、后缀和子公司部分。
4.根据权利要求2所述公司简称自动对应公司全称的方法，其特征在于，确定所述类型标签的权重的方法包括：
赋予每个类型标签初始权重；
根据测试结果的准确性，在所述初始权重的基础上调整各个类型标签的权重。
5.根据权利要求1所述公司简称自动对应公司全称的方法，其特征在于，所述方法还包括：
若所述最高匹配度小于设定阈值，判断所述公司简称是否是产品名称或者股票名称，若是，选取所述产品名称或者股票名称对应的公司全称与所述公司简称对应；若否，选取所述最高匹配度对应的候选公司全称与所述公司简称进行对应。
6.根据权利要求1所述公司简称自动对应公司全称的方法，其特征在于，所述“获取公司简称”具体包括：
对部分语料库中出现的公司简称进行标注；
使用深度学习模型对所述标注数据进行训练；
通过所述训练好的深度学习模型识别并提取公司简称。
7.一种电子设备，包括存储器和处理器，所述存储器存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-6任意一项所述公司简称自动对应公司全称的方法中的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6任意一项所述公司简称自动对应公司全称的方法中的步骤。
CN201911233826.1A 2019-12-05 2019-12-05 公司简称自动对应公司全称的方法、设备和存储介质 Active CN111079434B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911233826.1A CN111079434B (zh) 2019-12-05 2019-12-05 公司简称自动对应公司全称的方法、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911233826.1A CN111079434B (zh) 2019-12-05 2019-12-05 公司简称自动对应公司全称的方法、设备和存储介质

Publications (2)

Publication Number Publication Date
CN111079434A CN111079434A (zh) 2020-04-28
CN111079434B true CN111079434B (zh) 2023-10-20

Family

ID=70313079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911233826.1A Active CN111079434B (zh) 2019-12-05 2019-12-05 公司简称自动对应公司全称的方法、设备和存储介质

Country Status (1)

Country Link
CN (1) CN111079434B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114492413B (zh) * 2021-12-27 2024-05-31 北京清格科技有限公司 文本校对方法、装置和电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101093478A (zh) * 2007-07-25 2007-12-26 中国科学院计算技术研究所 一种根据实体的汉语简称识别汉语全称的方法及系统
CN109408561A (zh) * 2018-10-17 2019-03-01 杭州骑轻尘信息技术有限公司 业务名称匹配方法及装置
CN110381115A (zh) * 2019-06-14 2019-10-25 平安科技（深圳）有限公司 信息推送方法、装置、计算机可读存储介质和计算机设备
CN110427991A (zh) * 2019-07-22 2019-11-08 联动优势科技有限公司 一种字符串匹配方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101093478A (zh) * 2007-07-25 2007-12-26 中国科学院计算技术研究所 一种根据实体的汉语简称识别汉语全称的方法及系统
CN109408561A (zh) * 2018-10-17 2019-03-01 杭州骑轻尘信息技术有限公司 业务名称匹配方法及装置
CN110381115A (zh) * 2019-06-14 2019-10-25 平安科技（深圳）有限公司 信息推送方法、装置、计算机可读存储介质和计算机设备
CN110427991A (zh) * 2019-07-22 2019-11-08 联动优势科技有限公司 一种字符串匹配方法及装置

Also Published As

Publication number Publication date
CN111079434A (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
CN106919542B (zh) 规则匹配方法及装置
CN102479191B (zh) 提供多粒度分词结果的方法及其装置
CN109635288B (zh) 一种基于深度神经网络的简历抽取方法
US8572087B1 (en) Content identification
CN103150356B (zh) 一种应用的泛需求检索方法及系统
US20200265074A1 (en) Searching multilingual documents based on document structure extraction
CN111104526A (zh) 一种基于关键词语义的金融标签提取方法及系统
JP2011505638A (ja) Ｃｊｋ名前検出
CN112069828B (zh) 一种文本意图的识别方法及装置
CN110008473B (zh) 一种基于迭代方法的医疗文本命名实体识别标注方法
CN108520065B (zh) 命名实体识别语料库的构建方法、系统、设备及存储介质
US8799268B2 (en) Consolidating tags
CN109213998A (zh) 中文错字检测方法及系统
CN112633001A (zh) 文本命名实体识别方法、装置、电子设备及存储介质
Hillard et al. Learning weighted entity lists from web click logs for spoken language understanding
CN109885641A (zh) 一种数据库中文全文检索的方法及系统
CN111079434B (zh) 公司简称自动对应公司全称的方法、设备和存储介质
CN108345694B (zh) 一种基于主题数据库的文献检索方法及系统
CN110263163B (zh) 一种获取文本摘要的方法和装置
US20090327210A1 (en) Advanced book page classification engine and index page extraction
CN111199151A (zh) 数据处理方法、及数据处理装置
CN107609006B (zh) 一种基于地方志研究的搜索优化方法
KR20200127636A (ko) 감성 정보 제공을 위한 뉴스 기사의 감성 정보 레이블링 장치의 동작 프로그램이 기록된 기록매체
CN114154503A (zh) 一种敏感数据类型识别方法
CN113177121A (zh) 文本主题分类方法、装置、电子设备以及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 1001, 10th Floor, Building 6, Rungang Industrial Park, No. 2 Dongshijinggang Road, Science and Technology Innovation East District, Suzhou City, Jiangsu Province, 215000 (Cluster Registration)

Applicant after: Qichacha Technology Co.,Ltd.

Address before: Room 503, 5th floor, C1 Building, 88 Dongchang Road, Suzhou Industrial Park, Jiangsu Province, 215000

Applicant before: Qicha Technology Co.,Ltd.

Address after: Room 503, 5th floor, C1 Building, 88 Dongchang Road, Suzhou Industrial Park, Jiangsu Province, 215000

Applicant after: Qicha Technology Co.,Ltd.

Address before: Room 503, 5th floor, C1 Building, 88 Dongchang Road, Suzhou Industrial Park, Jiangsu Province, 215000

Applicant before: SUZHOU LANGDONG NET TEC Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: No. 8 Huizhi Street, Suzhou Industrial Park, Suzhou Area, China (Jiangsu) Pilot Free Trade Zone, Suzhou City, Jiangsu Province, 215000

Patentee after: Qichacha Technology Co.,Ltd.

Address before: Room 1001, 10th Floor, Building 6, Rungang Industrial Park, No. 2 Dongshijinggang Road, Science and Technology Innovation East District, Suzhou City, Jiangsu Province, 215000 (Cluster Registration)

Patentee before: Qichacha Technology Co.,Ltd.