CN112579646A - 筛选清单的方法和装置 - Google Patents
筛选清单的方法和装置 Download PDFInfo
- Publication number
- CN112579646A CN112579646A CN202011480665.9A CN202011480665A CN112579646A CN 112579646 A CN112579646 A CN 112579646A CN 202011480665 A CN202011480665 A CN 202011480665A CN 112579646 A CN112579646 A CN 112579646A
- Authority
- CN
- China
- Prior art keywords
- list
- data
- similarity
- screening
- lcs
- 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.)
- Pending
Links
- 238000012216 screening Methods 0.000 title claims abstract description 262
- 238000000034 method Methods 0.000 title claims abstract description 100
- 230000008569 process Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 abstract description 30
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004900 laundering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
Abstract
本发明公开了一种筛选清单的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:根据筛选请求中的筛查数据,确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度以及LD相似度分值;从所述待筛选清单中筛选出LD相似度超过第一阈值的候选清单,并确定所述候选清单的清单数据与所述筛查数据的最长公共子系列LCS相似度以及LCS相似度分值;若所述候选清单的LCS相似度最大值超过第二阈值,则根据所述LD相似度分值和所述LCS相似度分值,从所述候选清单中筛选出符合要求的清单。该实施方式将LD相似度算法和LCS算法结合来更加准确地计算相似度,进而可以获取有效特征来实现清单的准确匹配。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种筛选清单的方法和装置。
背景技术
清单筛查匹配常用于反洗钱与反恐怖融资名单监控,是金融机构防范本机构的金融服务被不法分子利用的重要手段,有助于机构业务部门定位客户是否属于监管机构业务限制人员。但是,现有筛选清单的方法的筛选准确率低,无法满足业务需求。
发明内容
有鉴于此,本发明实施例提供一种筛选清单的方法和装置,能够解决现有筛选清单的方法筛选准确率低的问题。
为实现上述目的,根据本发明实施例的一个方面,提供了一种筛选清单的方法。
本发明实施例的筛选清单的方法包括:
根据筛选请求中的筛查数据,确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度以及LD相似度分值;
从所述待筛选清单中筛选出LD相似度超过第一阈值的候选清单,并确定所述候选清单的清单数据与所述筛查数据的最长公共子系列LCS相似度以及LCS相似度分值;
若所述候选清单的LCS相似度最大值超过第二阈值,则根据所述LD相似度分值和所述LCS相似度分值,从所述候选清单中筛选出符合要求的清单。
可选地,在根据筛选请求中的筛查数据,确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度分值的步骤之前,所述方法还包括:
基于Solr引擎,根据待筛选清单的清单数据创建待筛选清单的索引。
可选地,基于Solr引擎,根据待筛选清单的清单数据创建待筛选清单的索引包括:
将待筛选清单的清单数据进行结构化处理;
去除所述清单数据中的标点符号、ASCII码以及停用词;
基于所述清单数据对应的语言方式,将所述清单数据进行去重处理;
根据去重处理后的清单数据创建待筛选清单的索引。
可选地,基于所述清单数据对应的语言方式,将所述清单数据进行去重处理包括:
若所述清单数据所对应的语言方式为英文,则将所述清单数据中的英文单词转换为英文小写单词;
若所述清单数据所对应的语言方式为繁体中文,则将所述清单数据中的繁体中文单词转换为简体中文单词;
将转换后的清单数据进行去重处理。
可选地,所述筛查数据为客户名称;根据筛选请求中的筛查数据,确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度以及LD相似度分值包括:
若所述筛查数据所对应的语言方式为英文或除中文和英文之外的其他语言,则确定待筛选清单的清单数据与所述筛查数据的LD相似度;
若LD相似度超过第一阈值,则根据LD相似度确定LD相似度分值。
可选地,所述筛查数据为客户名称;根据筛选请求中的筛查数据,确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度以及LD相似度分值包括:
若所述筛查数据所对应的语言方式为繁体中文,则将所述筛查数据中的繁体中文单词转换为简体中文单词;
若所述筛查数据所对应的语言方式为简体中文或将所述筛查数据中的繁体中文单词转换为简体中文单词之后,将转换后的筛查数据中姓氏和名字拆开,并分别将所述筛查数据的姓氏和名字分别与所述清单数据进行全匹配;
根据全匹配结果确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度以及LD相似度分值。
可选地,根据全匹配结果确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度以及LD相似度分值包括:
若所述筛查数据的姓氏和名字分别与所述清单数据的第一全匹配结果未超过第一命中率,则将所述筛查数据转换为拼音单词,并将转换后的拼音单词与所述清单数据进行全匹配;
若转换后的拼音单词与所述清单数据的第二全匹配结果超过第二命中率,则根据所述第二全匹配结果确定LD相似度分值;
若转换后的拼音单词与所述清单数据的全匹配结果为未超过第二命中率,且所述筛查数据中有英文名称,则计算LD相似度;
若所述LD相似度超过第一阈值,则根据LD相似度确定LD相似度分值。
可选地,根据全匹配结果确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度以及LD相似度分值还包括:
若所述筛查数据的姓氏和名字分别与所述清单数据的第一全匹配结果超过第一命中率,则根据所述第一全匹配结果确定LD相似度分值。
可选地,确定所述候选清单的清单数据与所述筛查数据的最长公共子系列LCS相似度以及LCS相似度分值包括:
将所述候选清单的清单数据,按照姓氏和名字、名字和姓氏以及清单的别名合并为一个字符串;
根据所述字符串,确定所述候选清单的清单数据与所述筛查数据的LCS相似度;
若所述LCS相似度超过第二阈值,则根据所述LCS相似度确定LCS相似度分值。
可选地,根据所述LD相似度分值和所述LCS相似度分值,从所述候选清单中筛选出符合要求的清单包括:
根据所述LD相似度分值和所述LCS相似度分值确定融合决策得分;
从所述候选清单中筛选出所述融合决策得分超过第三阈值的清单,以形成清单命中集合。
可选地,根据所述LD相似度分值和所述LCS相似度分值确定融合决策得分包括:
将所述LCS相似度分值减去所述LD相似度分值所得的差值,确定为融合决策得分;其中所述LD相似度分值为LD相似度计算过程中的扣分,所述LCS相似度分值为LCS相似度计算过程中的得分。
为实现上述目的,根据本发明实施例的另一个方面,提供了一种筛选清单的装置。
本发明实施例的筛选清单的装置包括:
第一确定模块,用于根据筛选请求中的筛查数据,确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度以及LD相似度分值;
第二确定模块,用于从所述待筛选清单中筛选出LD相似度超过第一阈值的候选清单,并确定所述候选清单的清单数据与所述筛查数据的最长公共子系列LCS相似度以及LCS相似度分值;
筛选模块,用于若所述候选清单的LCS相似度最大值超过第二阈值,则根据所述LD相似度分值和所述LCS相似度分值,从所述候选清单中筛选出符合要求的清单。
为实现上述目的,根据本发明实施例的另一个方面,提供了一种服务器。
本发明实施例的服务器包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述的方法。
为实现上述目的,根据本发明实施例的另一个方面,提供了一种计算机可读介质。
本发明实施例的计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上所述的方法。
上述发明中的一个实施例具有如下优点或有益效果:
本发明实施例的筛选清单的方法将LD相似度算法和LCS算法结合来更加准确地计算相似度,进而可以获取有效特征来实现清单的准确匹配。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是本发明第一实施例的筛选清单的方法的流程示意图;
图2是本发明第二实施例的筛选清单的方法的流程示意图;
图3是本发明实施例的全量筛查命中客户数的示意图;
图4是本发明实施例的全量筛查耗时的示意图;
图5是本发明第三实施例的筛选清单的方法的流程示意图;
图6是本发明实施例的路透清单Solr索引量的示意图;
图7是本发明实施例的创建Solr索引耗时的示意图;
图8是本发明第四实施例的筛选清单的方法的流程示意图;
图9是本发明第五实施例的筛选清单的方法的流程示意图;
图10是本发明实施例的筛选清单的装置的模块示意图;
图11是本发明实施例可以应用于其中的示例性系统架构图;
图12是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
一般的,为了筛选清单需要确定筛选数据与清单数据的相似度。其中有多种方式可以计算相似度,接下来以其中两种进行示例性说明。
方式一:编辑距离(Levenshtein Distance,LD)相似度算法。
LD相似度算法由俄罗斯的数学家Vladimir Levenshtein在1965年提出。该方法是针对二个字符串(例如英文字)的差异程度的量化量测,计量方式是分析至少需要多少次的处理才能将一个字符串A转换成另一个字符串B。编辑距离可以用在自然语言处理中,例如拼写检查通过一个拼错的字和其他正确的字的编辑距离,判断哪一个(或哪几个)是比较可能的字。
若单独将LD相似度算法应用于清单筛查匹配,只能考虑单词的相似性,未能考虑多个单词组合的先后顺序,可能会出现单词组合顺序不一致但单词分析结果一致的情形,比如zhong rong qing和zhong qing rong两个名称在国内客户其实不是同一个人。
方式二:最长公共子系列(Longest Common Subsequences,LCS)相似度算法。
LCS相似度算法是将两个给定字符串分别删去零个或多个字符,但不改变剩余字符的顺序后得到的长度最长的相同字符序列。可采用递归方法计算最长公共子串的长度,也可以采用动态规划来计算公共子串的长度。
1、给定两个序列X=<x1,x2,...,xm>,Y<y1,y2,...,yn>,求X和Y长度最长的公共子序列。
2、引进一个二维数组c[][],用c[i][j]记录X[i]与Y[j]的LCS的长度,b[i][j]记录c[i][j]是通过哪一个子问题的值求得的,以决定搜索的方向。
3、采用自底向上进行递推计算,那么在计算c[i,j]之前,c[i-1][j-1],c[i-1][j]与c[i][j-1]均已计算出来。此时我们根据X[i]=Y[j]还是X[i]!=Y[j],就可以计算出c[i][j],可以得到如下公式:
4、根据以下公式计算相似度:
该算法的时间复杂度为O(m+n),空间复杂度为O(m.log(n))。
当采用方式二计算相似度时,若两个待比较字符串个数偏差比较大,则计算出来的相似度可能值偏差也会较大。
为了实现匹配的准确性,同时考虑到算法计量时间复杂度,本发明实施例提出了一种结合LD相似度算法和LCS相似度算法实现对清单名称筛查实现方法,同时该方法还可以综合考虑到国籍和语言的影响。
基于以上分析,本发明实施例提供了一种筛选清单的方法,该方法是一种基于LD和LCS的决策融合的清单筛查实现方法,即通过LD相似度算法和LCS算法结合来完成筛选清单的过程。且该方法可以应用于基于客户要素与清单客户数据匹配筛查出命中客户的业务领域。图1是本发明实施例的筛选清单的方法的流程示意图,如图1所示,该筛选清单的方法具体可以包括如下的步骤S101至步骤S103。
步骤S101:根据筛选请求中的筛查数据,确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离(Levenshtein Distance,LD)相似度以及LD相似度分值。
在步骤S101之前,接收筛选请求,所述筛选请求至少包括:筛查数据。然后从接收到的筛选请求中获取筛查数据,并获取待筛选清单的清单数据,来确定LD相似度以及LD相似度分值。其中筛查数据是用户根据实际需要输入的筛选参数,所述筛查数据可以为客户名称和/或地址数据等。
为了便于获取待筛选清单,在步骤S102之前,基于Solr引擎,根据待筛选清单的清单数据和所述清单数据对应的语言方式,创建待筛选清单的索引。为了解决在清单筛查匹配中由于国籍语言数据不同所导致的无法准确匹配的问题,可以根据待筛选清单的清单数据和所述清单数据对应的语言方式,创建待筛选清单的索引。该方式可以获取有效特征,可以有效进行相似度计算,最终实现清单准确匹配。
其中创建索引的过程大致为:首先将待筛选清单的清单数据进行结构化处理。然后去除所述清单数据中的标点符号、ASCII码(American Standard Code for InformationInterchange,美国标准信息交换代码)以及停用词。再基于所述清单数据对应的语言方式,将所述清单数据进行去重处理。最后根据去重处理后的清单数据创建待筛选清单的索引。
进一步地,所述清单数据所对应的语言方式可以为英文、中文或其他语言方式。为了便于对清单数据进行去重处理,在去重处理之前,可以先将所述清单数据进行语言方式的转换。具体地,若所述清单数据所对应的语言方式为英文,则将所述清单数据中的英文单词转换为英文小写单词;若所述清单数据所对应的语言方式为繁体中文,则将所述清单数据中的繁体中文单词转换为简体中文单词。
在步骤S101中,可以基于所述筛查数据所对应的语言方式,确定待筛选清单的清单数据与所述筛查数据的LD相似度以及LD相似度分值。其中所述筛查数据所对应的语言方式可以为中文、英文或其他语言方式等,所述LD相似度分值可以理解为LD相似度计算过程中的扣分值值。以所述筛查数据是客户名称为例,可以通过Solr引擎将待匹配客户名称每个单词(包括中文汉字)与清单数据进行LD相似度分值计算。
进一步地,确定LD相似度分值的过程大致分为以下几种情形:
情形一:所述筛查数据所对应的语言方式为英文或除中文和英文之外的其他语言。
若所述筛查数据所对应的语言方式为英文或除中文和英文之外的其他语言,则确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度;若LD相似度超过第一阈值,则根据LD相似度确定LD相似度分值。
情形二:所述筛查数据所对应的语言方式为中文,中文有繁体中文和简体中文。
若所述筛查数据所对应的语言方式为繁体中文,则将所述筛查数据中的繁体中文单词转换为简体中文单词;若所述筛查数据所对应的语言方式为简体中文或将所述筛查数据中的繁体中文单词转换为简体中文单词之后,将转换后的筛查数据中姓氏和名字拆开,并分别将所述筛查数据的姓氏和名字分别与所述清单数据进行全匹配;根据全匹配结果确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度以及LD相似度分值。
进一步地,若所述筛查数据的姓氏和名字分别与所述清单数据的第一全匹配结果未超过第一命中率,则将所述筛查数据转换为拼音单词,并将转换后的拼音单词与所述清单数据进行全匹配;若转换后的拼音单词与所述清单数据的第二全匹配结果超过第二命中率,则根据所述第二全匹配结果确定LD相似度分值;若转换后的拼音单词与所述清单数据的全匹配结果为未超过第二命中率,且所述筛查数据中有英文名称,则计算LD相似度;若所述LD相似度超过第一阈值,则根据LD相似度确定LD相似度分值。若所述筛查数据的姓氏和名字分别与所述清单数据的第一全匹配结果超过第一命中率,则根据所述第一全匹配结果确定LD相似度分值。
步骤S102:从所述待筛选清单中筛选出LD相似度超过第一阈值的候选清单,并确定所述候选清单的清单数据与所述筛查数据的最长公共子系列LCS相似度以及LCS相似度分值。
在步骤S102中,所述LCS相似度分值可以理解为LCS相似度计算过程中的得分值值。根据第一匹配结果从所述待筛选清单中筛选出LD相似度超过第一阈值的候选清单,以形成候选清单集合。
步骤S103:若所述候选清单的LCS相似度最大值超过第二阈值,则根据所述LD相似度分值和所述LCS相似度分值,从所述候选清单中筛选出符合要求的清单。
在步骤S103中,从所述候选清单中筛选出符合要求的清单并形成清单命中集合,以作为清单筛查匹配结果。具体地,可以首先根据所述LD相似度分值和所述LCS相似度分值确定融合决策得分。然后再从所述候选清单中筛选出所述融合决策得分超过第三阈值的清单,以形成清单命中集合。其中,所述融合决策得分为所述LCS相似度分值减去所述LD相似度分值所得的差值,所述LD相似度分值为LD相似度计算过程中的扣分,所述LCS相似度分值为LCS相似度计算过程中的得分。
以所述筛查数据是客户名称为例,通过L D相似度算法计算客户名称里面每个元素与清单数据的相似度,得到初次决策匹配分,过滤掉相似度未能第一阈值的清单以得到候选清单;接着根据单词组合的维度,通过LCS相似度算法计算客户名称与候选清单的清单数据的相似度,得到最终决策匹配分和清单筛查匹配结果。
本发明实施例的筛选清单的方法将LD相似度算法和LCS算法结合来更加准确地计算相似度,进而可以获取有效特征来实现清单的准确匹配。
在上述实施例的基础上,本发明实施例提供了另一种筛选清单的方法,图2是本发明实施例的筛选清单的方法的流程示意图,如图2所示,该筛选清单的方法具体可以包括如下的步骤S201至步骤S210。
步骤S201:基于Solr引擎,根据待筛选清单的清单数据创建待筛选清单的索引。
通过创建在筛选清单的索引以更加快速且准确的获取清单。
步骤S202:根据筛选请求中的筛查数据,确定待筛选清单的清单数据与所述筛查数据的LD相似度以及LD相似度分值。
在步骤S202之前,接收筛选请求,所述筛选请求中至少包括筛查数据。从筛选请求中获取筛查数据,并获取待筛选清单的清单数据,以确定LD相似度以及LD相似度分值。所述清单数据包括:客户证件类型、证件号码、国籍、性别、出生年月等信息。需要说明的是,所述LD相似度分值是根据LD相似度算法计算得到的,所述LD相似度分值为LD相似度计算过程中的扣分。
步骤S203:判断LD相似度是否超过第一阈值;若是,则认定所述清单被命中并执行步骤S204。否则,结束流程,清单筛选完成。
步骤S204:从所述待筛选清单中筛选出LD相似度超过第一阈值的候选清单,形成第一候选清单集合。
可以理解的是,通过步骤S204获取处理后的筛查数据和清单数据,也就是获取LD相似度超过第一阈值的候选清单,形成第一候选清单集合。
步骤S205:确定所述候选清单的清单数据与所述筛查数据的LCS相似度以及LCS相似度分值。
在步骤S205中,所述LCS相似度分值为LCS相似度计算过程中的得分。
步骤S206:判断所述候选清单的LCS相似度最大值是否超过第二阈值;若是,则执行步骤S207。否则,结束流程,清单筛选完成。
步骤S207:若所述候选清单的LCS相似度最大值超过第二阈值,则根据所述LD相似度分值和所述LCS相似度分值,计算融合决策得分。
步骤S208:返回所述候选清单的融合决策得分的结果集。
步骤S209:判断所述结果集中的融合决策得分是否超过第三阈值;若是,则执行步骤S210。否则,结束流程,清单筛选完成。
可以理解的是,从所述候选清单中筛选出所述融合决策得分超过第三阈值的清单,以形成清单命中集合。
步骤S210:从所述结果集合中筛选出所述融合决策得分超过第三阈值的清单,以形成清单命中集合。
上述实施方式的实施原理为:通过LD(Levenshtein Distance,编辑距离)相似度算法计量得出的一次匹配分,接着通过LCS(Longest Common Subsequences,最长公共子系列)相似度算法计算二次匹配分,最后得到融合LD和LCS算法计算的相似度匹配分。具体的算法实现过程如下所示:
参见图3和图4,采用4C8G机器,测试250万筛查数据与路透清单数据进行筛查匹配,疑似命中868个客户,所有结果准确。由于该方案主要采用客户名称作为清单筛查结果,同时客户清单数据含有客户证件类型、证件号码、国籍、性别、出生年月等,在该清单筛查基础上进行其他要素匹配计算后,可以更精确定位客户是否被命中。
本发明实施例的筛选清单的方法将LD相似度算法和LCS算法结合来更加准确地计算相似度,进而可以获取有效特征来实现清单的准确匹配。同时,该方法还可以基于清单数据对应的语言方式进行准确筛查,可以解决国籍语言数据问题。
一般地,Solr是一个高性能,采用Java开发,基于Lucene的全文搜索服务器。同时对其进行了扩展,提供了比Lucene更为丰富的查询语言,同时实现了可配置、可扩展并对查询性能进行了优化,并且提供了一个完善的功能管理界面,是一款非常优秀的全文搜索引擎。基于Solr实现站内搜索扩展性较好并且可以减少程序员的工作量。使用Solr进行创建索引和搜索索引的实现方法如下:
1、创建索引:客户端(可以是浏览器可以是Java程序)用POST方法向Solr服务器发送一个描述Field及其内容的JSON、CSV、XML文档,Solr服务器根据JSON、CSV、XML文档添加、删除、更新索引。
2、搜索索引:客户端(可以是浏览器可以是Java程序)用GET方法向Solr服务器发送请求,然后对Solr服务器返回JSON、CSV、XML等格式的查询结果进行解析,组织页面布局。Solr不提供构建页面UI的功能,但是提供了一个管理界面,通过管理界面可以查询Solr的配置和运行情况。
上述实施方式的缺点为:直接对清单数据创建Solr索引,主要未对清单客户数据性质进行分析,导致清单数据索引量大大增加,同时出现重复清单数据索引。比如“王吁吁”创建了“wang xu xu”、“wang yu yu”、“wang xu yu”、“wang yu xu”等索引数据,可能导致后续清单匹配过程同音字误匹配情况。
为了解决以上问题,在上述实施例的基础上,本发明实施例提供了另一种筛选清单的方法,该筛选清单的方法用于描述清单数据创建索引的过程,例如,用Solr引擎针对筛查数据(例如:客户名称)创建清单索引。图5是本发明实施例的筛选清单的方法的流程示意图,如图5所示,该筛选清单的方法具体可以包括如下的步骤S501至步骤S507。
步骤S501:将待筛选清单的清单数据进行结构化处理。
在步骤S501中,可以将非结构化的路透所有清单机构清单数据转化成结构化的数据。
步骤S502:清单入库。
步骤S503:去除所述清单数据中的标点符号、ASCII码以及停用词。
在步骤S503中,将清单实体的客户名称和别名去除标点符号、去除ASCII码、去除停止词。
步骤S504:确定所述清单数据对应的语言方式;所述所述清单数据对应的语言方式可以为中文、英文或其他语言方式。若所述清单数据所对应的语言方式为英文,则将所述清单数据中的英文单词转换为英文小写单词。
可以理解的是,对于英语单词,所有的单词转化为小写单词(Lowercase);对于中文汉字,繁体中文需要转简体中文。将转换处理后的客户名称进行去重处理,来将本国语言和英文含别名的情形去掉重复,然后再建Solr索引,通过以上实施方式可以有效减少路透清单Solr索引数据量。
步骤S505:若所述清单数据所对应的语言方式为繁体中文,则将所述清单数据中的繁体中文单词转换为简体中文单词。
步骤S506:将转换后的清单数据进行去重处理。
步骤S507:根据去重处理后的清单数据创建待筛选清单的Solr索引。
参见图6和图7,通过上述实施方式可以将清单数据索引量有效减少原来近五分之一(同时,如果按照业务所需执行的152个清单机构,清单数据索引量减少为1.4%)。同时,索引创建时间减少了近三分之二(运行环境为4C8G),(同时,如果按照业务所需执行的152个清单机构,执行时间减少为15%)。另外,中文客户名称建清单索引无需转拼音和多音字,因为筛查匹配时候,待筛查客户会做拼音转化。对中文名称不按多音字进行拼音转换,通过上述实施方式可以大量减少路透清单客户名称Solr索引数据量。并且对清单数据客户名称的中文繁体转简体、英文大写统一转化为小写,去除重名的客户后,可以大量减少清单客户名称Solr索引。
为了便于理解上述实施方式的实施过程,接下来以上述实施方式的具体的实现代码进行示例性说明。其中,上述实施方式的具体的实现代码如下所示:
在上述实施例的基础上,本发明实施例提供了另一种筛选清单的方法,该筛选清单的方法用于描述确定LD相似度分值的过程,需要说明的是,所述筛查数据可以为客户名称或地址数据等。接下来以所述筛查数据是客户名称为例,通过Solr引擎可以将待匹配客户名称每个单词(包括中文汉字)与清单数据进行LD相似度计算。
由于筛查数据所对应的语言方式不同,确定LD相似度以及LD相似度分值的过程也不同。在确定筛查数据所对应的语言方式之后,接下来可以按照语言方式分为以下三种情形:
情形一:所述筛查数据所对应的语言方式为英文或除中文和英文之外的其他语言。
参见图8,若所述筛查数据所对应的语言方式为英文或除中文和英文之外的其他语言,则确定待筛选清单的清单数据与所述筛查数据的编辑距离LD相似度;若LD相似度超过第一阈值,则根据LD相似度确定LD相似度分值。
情形二:所述筛查数据所对应的语言方式为中文,中文有繁体中文和简体中文。
参见图8,确定LD相似度以及LD相似度分值的过程具体可以包括如下的步骤S801至步骤S811。
步骤S801:判断所述筛查数据所对应的语言方式是否为繁体中文;若是,则执行步骤S802。否则,执行步骤S803。
步骤S802:若所述筛查数据所对应的语言方式为繁体中文,则将所述筛查数据中的繁体中文单词转换为简体中文单词。
步骤S803:若所述筛查数据所对应的语言方式为简体中文或将所述筛查数据中的繁体中文单词转换为简体中文单词之后,将转换后的筛查数据中姓氏和名字拆开,并分别将所述筛查数据的姓氏和名字分别与所述清单数据进行全匹配。
在步骤S803之后,根据全匹配结果确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度以及LD相似度分值。
步骤S804:判断所述筛查数据的姓氏和名字分别与所述清单数据的第一全匹配结果是否超过第一命中率,若是,则认定第一全匹配结果为命中,执行步骤S811;否则,则认定第一全匹配结果为未命中,执行步骤S805。
步骤S805:若所述筛查数据的姓氏和名字分别与所述清单数据的第一全匹配结果未超过第一命中率,则将所述筛查数据转换为拼音单词。
步骤S806:将转换后的拼音单词与所述清单数据进行全匹配。
步骤S807:判断转换后的拼音单词与所述清单数据的第二全匹配结果是否超过第二命中率;若是,则认定所述第二全匹配结果为命中,执行步骤S811;否则,认定所述第二全匹配结果为未命中,执行步骤S808。
可以理解的是,将转换后的客户名称按姓和名拆开,与清单数据进行全匹配,如果命中,作为一次匹配分值。
步骤S808:所述筛查数据中是否有英文名称;若是,则执行步骤S809;否则,结束流程,LD相似度计算完成。
步骤S809:若转换后的拼音单词与所述清单数据的全匹配结果为未超过第二命中率,且所述筛查数据中有英文名称,则计算LD相似度。
考虑到清单数据有可能没有本国语言,将筛查数据的中文转拼音,进行多音字转换,然后按转换后的拼音名称与清单数据计算全匹配,如果命中,作为一次特征匹配分值。
步骤S810:判断所述LD相似度是否超过第一阈值;若是,则执行步骤S811;否则,结束流程,LD相似度计算完成。
以筛查数据是客户名称为例,将英文名称与清单数据计算LD相似度,扣减模糊匹配单词的分值,作为一次特征匹配分值;如果未命中,代表客户未匹配清单数据,不进行后续LCS二次计算。
步骤S811:根据匹配结果确定LD相似度分值。
若所述LD相似度超过第一阈值,则根据LD相似度确定LD相似度分值。若所述筛查数据的姓氏和名字分别与所述清单数据的第一全匹配结果超过第一命中率,则根据所述第一全匹配结果确定LD相似度分值。若转换后的拼音单词与所述清单数据的第二全匹配结果超过第二命中率,则根据所述第一全匹配结果或所述第二全匹配结果确定LD相似度分值。
综上,本发明的实施方式具有如下优势:
1)通过该方法可以将待筛查客户每个单词或者汉字的相似度计算出来,得到客户整体的相似度得分。
2)可以有效避免清单数据由于缺失中文名称且只有英文名称,导致漏计算中文转拼音的情况,且有效考虑到中文。
3)由于中文通过系统转换为拼音,不可能出现拼音相似性情况,故本发明实施例采用中文或中文转拼音进行全匹配计算首次匹配分。
4)考虑中文转拼音多音字情况,避免由于多音字遗漏未筛查。
在上述实施例的基础上,本发明实施例提供了另一种筛选清单的方法,该筛选清单的方法用于描述确定LCS相似度以及LCS相似度分值的过程。接下来以筛查数据是客户名称为例,图9是本发明实施例的筛选清单的方法的流程示意图,如图9所示,该筛选清单的方法具体可以包括如下的步骤S901至步骤S906。
步骤S901:获取一次匹配结果,并从一次匹配结果中获取LD相似度计算处理后的筛查客户名称(或称为searchName)和清单对应的客户名称(或称为entityName)。
可以理解的是,将LD计算得到的疑似命中的一个或多个清单数据集合作为二次筛查清单数据源。
步骤S902:将LD相似度计算处理后的entityName作为数据集合。
可以理解的是,将候选清单中的entityName作为数据集合。
步骤S903:通过LCS相似度算法确定所述数据集合中的entityName与searchName的LCS相似度。
在步骤S903中,考虑到客户的姓有放前或者放后的情况,将二次筛查清单数据源的客户,对应三种情形:姓和名、名和姓、路透清单的别名,去重后可能剩余两个名称,分别合并起来视作一个字符串。然后根据字符串确定所述数据集合中的entityName与searchName的LCS相似度。
步骤S904:得到二次匹配结果。
可以理解的是,计算所述数据集合中的entityName与searchName的LCS相似度,得到匹配分值最高的清单数据作为二次命中结果,如果超过业务设置客户名称命中阈值,该客户即为疑似命中客户。
步骤S905:判断LCS相似度是否超过第二阈值;若是,则认定二次匹配结果为命中,执行步骤S906。否则,认定二次匹配结果为未命中,结束流程,清单筛查完成。
步骤S905:返回命中结果集合,所述命中结果集合为最终筛选所得的清单所组成的集合。
可以理解的是,将通过Levenshtein Distance计量得出的一次匹配命中的清单数据作为二次清单匹配的数据源,通过Longest Common Subsequences计算待筛查客户与一次匹配的清单数据相似度。具体的算法实现过程如下所示:
综上,本发明的实施方式具有如下优势:
1)由于路透数据记录的客户名称有按中国和西方国家的习惯,姓和名的前后顺序有可能不一致,本筛查匹配方法综合考虑到此情况,避免遗漏。
2)通过LCS相似度算法计算二次匹配结果后,可以有效过滤按每个单词计算相似度得到完全一致,但是未考虑其中名字顺序颠倒的情况:比如“张三丰”和“张丰三”非同一客户的请客,实现对客户名称准确筛查。
3)有效实现对路透清单数据所有匹配数据筛查,形成相似度匹配集。
图10是本发明实施例的筛选清单的装置的模块示意图,参见图10,该筛选清单的装置1000包括如下模块:
第一确定模块1001,用于根据筛选请求中的筛查数据,确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度以及LD相似度分值;
第二确定模块1002,用于从所述待筛选清单中筛选出LD相似度超过第一阈值的候选清单,并确定所述候选清单的清单数据与所述筛查数据的最长公共子系列LCS相似度以及LCS相似度分值;
筛选模块1003,用于若所述候选清单的LCS相似度最大值超过第二阈值,则根据所述LD相似度分值和所述LCS相似度分值,从所述候选清单中筛选出符合要求的清单。
可选地,该筛选清单的装置1000还包括:
索引模块,用于基于Solr引擎,根据待筛选清单的清单数据创建待筛选清单的索引。
可选地,所述索引模块进一步用于:
将待筛选清单的清单数据进行结构化处理;
去除所述清单数据中的标点符号、ASCII码以及停用词;
基于所述清单数据对应的语言方式,将所述清单数据进行去重处理;
根据去重处理后的清单数据创建待筛选清单的索引。
可选地,所述索引模块进一步用于:
若所述清单数据所对应的语言方式为英文,则将所述清单数据中的英文单词转换为英文小写单词;
若所述清单数据所对应的语言方式为繁体中文,则将所述清单数据中的繁体中文单词转换为简体中文单词;
将转换后的清单数据进行去重处理。
可选地,所述第一确定模块1001进一步用于:
若所述筛查数据所对应的语言方式为英文或除中文和英文之外的其他语言,则确定待筛选清单的清单数据与所述筛查数据的LD相似度;
若LD相似度超过第一阈值,则根据LD相似度确定LD相似度分值。
可选地,所述第一确定模块1001进一步用于:
若所述筛查数据所对应的语言方式为繁体中文,则将所述筛查数据中的繁体中文单词转换为简体中文单词;
若所述筛查数据所对应的语言方式为简体中文或将所述筛查数据中的繁体中文单词转换为简体中文单词之后,将转换后的筛查数据中姓氏和名字拆开,并分别将所述筛查数据的姓氏和名字分别与所述清单数据进行全匹配;
根据全匹配结果确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度以及LD相似度分值。
可选地,所述第一确定模块1001进一步用于:
若所述筛查数据的姓氏和名字分别与所述清单数据的第一全匹配结果未超过第一命中率,则将所述筛查数据转换为拼音单词,并将转换后的拼音单词与所述清单数据进行全匹配;
若转换后的拼音单词与所述清单数据的第二全匹配结果超过第二命中率,则根据所述第二全匹配结果确定LD相似度分值;
若转换后的拼音单词与所述清单数据的全匹配结果为未超过第二命中率,且所述筛查数据中有英文名称,则计算LD相似度;
若所述LD相似度超过第一阈值,则根据LD相似度确定LD相似度分值。
可选地,所述第一确定模块1001进一步用于:
若所述筛查数据的姓氏和名字分别与所述清单数据的第一全匹配结果超过第一命中率,则根据所述第一全匹配结果确定LD相似度分值。
可选地,所述第二确定模块1002进一步用于:
将所述候选清单的清单数据,按照姓氏和名字、名字和姓氏以及清单的别名合并为一个字符串;
根据所述字符串,确定所述候选清单的清单数据与所述筛查数据的LCS相似度;
若所述LCS相似度超过第二阈值,则根据所述LCS相似度确定LCS相似度分值。
可选地,所述筛选模块1003进一步用于:
根据所述LD相似度分值和所述LCS相似度分值确定融合决策得分;
从所述候选清单中筛选出所述融合决策得分超过第三阈值的清单,以形成清单命中集合。
可选地,所述筛选模块1003进一步用于:
将所述LCS相似度分值减去所述LD相似度分值所得的差值,确定为融合决策得分;其中所述LD相似度分值为LD相似度计算过程中的扣分,所述LCS相似度分值为LCS相似度计算过程中的得分。
本发明实施例的筛选清单的装置将LD相似度算法和LCS算法结合来更加准确地计算相似度,进而可以获取有效特征来实现清单的准确匹配。
图11示出了可以应用本发明实施例的筛选清单的方法或筛选清单的装置的示例性系统架构1100。
如图11所示,系统架构1100可以包括终端设备1101、1102、1103,网络1104和服务器1105。网络1104用以在终端设备1101、1102、1103和服务器1105之间提供通信链路的介质。网络1104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备1101、1102、1103通过网络1104与服务器1105交互,以接收或发送消息等。终端设备1101、1102、1103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备1101、1102、1103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。服务器1105可以是提供各种服务的服务器。
需要说明的是,本发明实施例所提供的筛选清单的方法一般由服务器1105执行,相应地,筛选清单的装置一般设置于服务器1105中。
应该理解,图11中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图12,其示出了适于用来实现本发明实施例的终端设备的计算机系统1200的结构示意图。图12示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图12所示,计算机系统1200包括中央处理单元(CPU)1201,其可以根据存储在只读存储器(ROM)1202中的程序或者从存储部分1208加载到随机访问存储器(RAM)1203中的程序而执行各种适当的动作和处理。在RAM 1203中,还存储有系统1200操作所需的各种程序和数据。CPU 1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
以下部件连接至I/O接口1205:包括键盘、鼠标等的输入部分1206;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1207;包括硬盘等的存储部分1208;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1210上,以便于从其上读出的计算机程序根据需要被安装入存储部分1208。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1209从网络上被下载和安装,和/或从可拆卸介质1211被安装。在该计算机程序被中央处理单元(CPU)1201执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:根据筛选请求中的筛查数据,确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度以及LD相似度分值;从所述待筛选清单中筛选出LD相似度超过第一阈值的候选清单,并确定所述候选清单的清单数据与所述筛查数据的最长公共子系列LCS相似度以及LCS相似度分值;若所述候选清单的LCS相似度最大值超过第二阈值,则根据所述LD相似度分值和所述LCS相似度分值,从所述候选清单中筛选出符合要求的清单。
本发明实施例的筛选清单的方法将LD相似度算法和LCS算法结合来更加准确地计算相似度,进而可以获取有效特征来实现清单的准确匹配。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (14)
1.一种筛选清单的方法,其特征在于,包括:
根据筛选请求中的筛查数据,确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度以及LD相似度分值;
从所述待筛选清单中筛选出LD相似度超过第一阈值的候选清单,并确定所述候选清单的清单数据与所述筛查数据的最长公共子系列LCS相似度以及LCS相似度分值;
若所述候选清单的LCS相似度最大值超过第二阈值,则根据所述LD相似度分值和所述LCS相似度分值,从所述候选清单中筛选出符合要求的清单。
2.根据权利要求1所述的方法,其特征在于,在根据筛选请求中的筛查数据,确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度分值的步骤之前,所述方法还包括:
基于Solr引擎,根据待筛选清单的清单数据创建待筛选清单的索引。
3.根据权利要求2所述的方法,其特征在于,基于Solr引擎,根据待筛选清单的清单数据创建待筛选清单的索引包括:
将待筛选清单的清单数据进行结构化处理;
去除所述清单数据中的标点符号、ASCII码以及停用词;
基于所述清单数据对应的语言方式,将所述清单数据进行去重处理;
根据去重处理后的清单数据创建待筛选清单的索引。
4.根据权利要求3所述的方法,其特征在于,基于所述清单数据对应的语言方式,将所述清单数据进行去重处理包括:
若所述清单数据所对应的语言方式为英文,则将所述清单数据中的英文单词转换为英文小写单词;
若所述清单数据所对应的语言方式为繁体中文,则将所述清单数据中的繁体中文单词转换为简体中文单词;
将转换后的清单数据进行去重处理。
5.根据权利要求1所述的方法,其特征在于,所述筛查数据为客户名称;根据筛选请求中的筛查数据,确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度以及LD相似度分值包括:
若所述筛查数据所对应的语言方式为英文或除中文和英文之外的其他语言,则确定待筛选清单的清单数据与所述筛查数据的LD相似度;
若LD相似度超过第一阈值,则根据LD相似度确定LD相似度分值。
6.根据权利要求1所述的方法,其特征在于,所述筛查数据为客户名称;根据筛选请求中的筛查数据,确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度以及LD相似度分值包括:
若所述筛查数据所对应的语言方式为繁体中文,则将所述筛查数据中的繁体中文单词转换为简体中文单词;
若所述筛查数据所对应的语言方式为简体中文或将所述筛查数据中的繁体中文单词转换为简体中文单词之后,将转换后的筛查数据中姓氏和名字拆开,并分别将所述筛查数据的姓氏和名字分别与所述清单数据进行全匹配;
根据全匹配结果确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度以及LD相似度分值。
7.根据权利要求6所述的方法,其特征在于,根据全匹配结果确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度以及LD相似度分值包括:
若所述筛查数据的姓氏和名字分别与所述清单数据的第一全匹配结果未超过第一命中率,则将所述筛查数据转换为拼音单词,并将转换后的拼音单词与所述清单数据进行全匹配;
若转换后的拼音单词与所述清单数据的第二全匹配结果超过第二命中率,则根据所述第二全匹配结果确定LD相似度分值;
若转换后的拼音单词与所述清单数据的全匹配结果为未超过第二命中率,且所述筛查数据中有英文名称,则计算LD相似度;
若所述LD相似度超过第一阈值,则根据LD相似度确定LD相似度分值。
8.根据权利要求7所述的方法,其特征在于,根据全匹配结果确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度以及LD相似度分值还包括:
若所述筛查数据的姓氏和名字分别与所述清单数据的第一全匹配结果超过第一命中率,则根据所述第一全匹配结果确定LD相似度分值。
9.根据权利要求1所述的方法,其特征在于,确定所述候选清单的清单数据与所述筛查数据的最长公共子系列LCS相似度以及LCS相似度分值包括:
将所述候选清单的清单数据,按照姓氏和名字、名字和姓氏以及清单的别名合并为一个字符串;
根据所述字符串,确定所述候选清单的清单数据与所述筛查数据的LCS相似度;
若所述LCS相似度超过第二阈值,则根据所述LCS相似度确定LCS相似度分值。
10.根据权利要求1所述的方法,其特征在于,根据所述LD相似度分值和所述LCS相似度分值,从所述候选清单中筛选出符合要求的清单包括:
根据所述LD相似度分值和所述LCS相似度分值确定融合决策得分;
从所述候选清单中筛选出所述融合决策得分超过第三阈值的清单,以形成清单命中集合。
11.根据权利要求10所述的方法,其特征在于,根据所述LD相似度分值和所述LCS相似度分值确定融合决策得分包括:
将所述LCS相似度分值减去所述LD相似度分值所得的差值,确定为融合决策得分;其中所述LD相似度分值为LD相似度计算过程中的扣分,所述LCS相似度分值为LCS相似度计算过程中的得分。
12.一种筛选清单的装置,其特征在于,包括:
第一确定模块,用于根据筛选请求中的筛查数据,确定待筛选清单的清单数据与所述筛查数据的调整的编辑距离LD相似度以及LD相似度分值;
第二确定模块,用于从所述待筛选清单中筛选出LD相似度超过第一阈值的候选清单,并确定所述候选清单的清单数据与所述筛查数据的最长公共子系列LCS相似度以及LCS相似度分值;
筛选模块,用于若所述候选清单的LCS相似度最大值超过第二阈值,则根据所述LD相似度分值和所述LCS相似度分值,从所述候选清单中筛选出符合要求的清单。
13.一种服务器,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-11中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-11中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011480665.9A CN112579646A (zh) | 2020-12-15 | 2020-12-15 | 筛选清单的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011480665.9A CN112579646A (zh) | 2020-12-15 | 2020-12-15 | 筛选清单的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112579646A true CN112579646A (zh) | 2021-03-30 |
Family
ID=75135388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011480665.9A Pending CN112579646A (zh) | 2020-12-15 | 2020-12-15 | 筛选清单的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112579646A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114238619A (zh) * | 2022-02-23 | 2022-03-25 | 成都数联云算科技有限公司 | 基于编辑距离的中文名词筛选方法及系统及装置及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902527A (zh) * | 2014-03-31 | 2014-07-02 | 大连大学 | 结合词性的英语近形词干扰项生成方法 |
CN104618132A (zh) * | 2014-12-16 | 2015-05-13 | 北京神州绿盟信息安全科技股份有限公司 | 一种应用程序识别规则生成方法和装置 |
US20150186502A1 (en) * | 2014-01-02 | 2015-07-02 | Neustar, Inc. | Method and apparatus and computer readable medium for computing string similarity metric |
CN105760546A (zh) * | 2016-03-16 | 2016-07-13 | 广州索答信息科技有限公司 | 互联网新闻摘要的自动生成方法和装置 |
CN109117464A (zh) * | 2018-03-02 | 2019-01-01 | 南京邮电大学 | 一种基于编辑距离的数据相似度检测方法 |
CN110532389A (zh) * | 2019-08-22 | 2019-12-03 | 四川睿象科技有限公司 | 一种文本聚类方法、装置和计算设备 |
-
2020
- 2020-12-15 CN CN202011480665.9A patent/CN112579646A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150186502A1 (en) * | 2014-01-02 | 2015-07-02 | Neustar, Inc. | Method and apparatus and computer readable medium for computing string similarity metric |
CN103902527A (zh) * | 2014-03-31 | 2014-07-02 | 大连大学 | 结合词性的英语近形词干扰项生成方法 |
CN104618132A (zh) * | 2014-12-16 | 2015-05-13 | 北京神州绿盟信息安全科技股份有限公司 | 一种应用程序识别规则生成方法和装置 |
CN105760546A (zh) * | 2016-03-16 | 2016-07-13 | 广州索答信息科技有限公司 | 互联网新闻摘要的自动生成方法和装置 |
CN109117464A (zh) * | 2018-03-02 | 2019-01-01 | 南京邮电大学 | 一种基于编辑距离的数据相似度检测方法 |
CN110532389A (zh) * | 2019-08-22 | 2019-12-03 | 四川睿象科技有限公司 | 一种文本聚类方法、装置和计算设备 |
Non-Patent Citations (1)
Title |
---|
姜华 等: "基于改进编辑距离的字符串相似度求解算法", 计算机工程, vol. 40, no. 1, 31 January 2014 (2014-01-31), pages 222 - 227 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114238619A (zh) * | 2022-02-23 | 2022-03-25 | 成都数联云算科技有限公司 | 基于编辑距离的中文名词筛选方法及系统及装置及介质 |
CN114238619B (zh) * | 2022-02-23 | 2022-04-29 | 成都数联云算科技有限公司 | 基于编辑距离的中文名词筛选方法及系统及装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210232976A1 (en) | Composite machine learning system for label prediction and training data collection | |
EP3418958A1 (en) | Anti-money laundering platform for mining and analyzing data to identify money laundering | |
US10592508B2 (en) | Organizing datasets for adaptive responses to queries | |
US10915537B2 (en) | System and a method for associating contextual structured data with unstructured documents on map-reduce | |
US20220147714A1 (en) | System and method for email signature extraction from unstructured text | |
CN110851209A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN109977233B (zh) | 一种成语知识图谱构建方法及装置 | |
CN113128209B (zh) | 用于生成词库的方法及装置 | |
CN111651552B (zh) | 结构化信息确定方法、装置和电子设备 | |
CN113836314A (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
JP2024507902A (ja) | 情報検索方法、装置、電子機器および記憶媒体 | |
US20230005283A1 (en) | Information extraction method and apparatus, electronic device and readable storage medium | |
CN112579646A (zh) | 筛选清单的方法和装置 | |
CN111984797A (zh) | 客户身份识别装置及方法 | |
CN108768742B (zh) | 网络构建方法及装置、电子设备、存储介质 | |
US20220414095A1 (en) | Method of processing event data, electronic device, and medium | |
CN111126073A (zh) | 语义检索方法和装置 | |
US9286349B2 (en) | Dynamic search system | |
US20150170068A1 (en) | Determining analysis recommendations based on data analysis context | |
US11341190B2 (en) | Name matching using enhanced name keys | |
CN114417102A (zh) | 文本去重方法、装置和电子设备 | |
JP6646699B2 (ja) | 検索装置及び検索方法 | |
CN110795424A (zh) | 特征工程变量数据请求处理方法、装置及电子设备 | |
CN114861062B (zh) | 信息过滤方法和装置 | |
US20170124201A1 (en) | Detecting relevant facets by leveraging diagram identification, social media and statistical analysis software |
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 |