CN115934852A - 税务注册地址时空聚类方法、装置、服务器及存储介质 - Google Patents

税务注册地址时空聚类方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN115934852A
CN115934852A CN202211438973.4A CN202211438973A CN115934852A CN 115934852 A CN115934852 A CN 115934852A CN 202211438973 A CN202211438973 A CN 202211438973A CN 115934852 A CN115934852 A CN 115934852A
Authority
CN
China
Prior art keywords
address
vector
space
clustering
tax registration
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
Application number
CN202211438973.4A
Other languages
English (en)
Inventor
李明权
伺彦伟
张婷
祁洪波
周江涛
赵博媛
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.)
Hebei Aisino Co ltd
Original Assignee
Hebei Aisino 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 Hebei Aisino Co ltd filed Critical Hebei Aisino Co ltd
Priority to CN202211438973.4A priority Critical patent/CN115934852A/zh
Publication of CN115934852A publication Critical patent/CN115934852A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种税务注册地址时空聚类方法、装置、服务器及存储介质，其中所述方法包括获取税务局数据库中的纳税人税务登记注册地址；对所述纳税人税务登记注册地址进行语言处理，并利用空间向量模构建纳税人税务登记注册地址的文本向量；获取所述纳税人税务登记注册地址对应的经纬度信息，并构建纳税人税务登记注册地址的时空向量；构建权重向量矩阵，并将文本向量与时空向量进行加权处理，得到结合真实地址和经纬度地址的加权地址向量；构造基于加权地址向量的时空聚类方法处理，并分析得到聚类结果。本发明所述的税务注册地址时空聚类方法，解决了现有技术中无法对纳税人注册地址登记中的地址信息进行准确识别的技术问题。

Description

税务注册地址时空聚类方法、装置、服务器及存储介质
技术领域
本发明属于计算机领域，尤其是涉及一种税务注册地址时空聚类方法、装置、服务器及存储介质。
背景技术
当前，面对纳税人信息分析时，存在纳税人税务登记注册地址登记中地址模糊，填写不准确等问题，可能导致无法用匹配的方式判断是否存在多个纳税人在同一地址进行了注册，不利于分析是否存在一个地址多个纳税人进行注册，影响了对存在潜在危险企业的预警。同时由于汉字的异构性提升了对同一地址识别的难度，如何有效地分析处理这些纳税人注册地址信息，找出相同(相似)地址信息这一问题亟待解决。
发明内容
有鉴于此，本发明旨在提出一种税务注册地址时空聚类方法、装置、服务器及存储介质，以解决现有技术中无法对纳税人注册地址登记中的地址信息进行准确识别的技术问题。
为达到上述目的，本发明的技术方案是这样实现的：
第一方面，本发明提供了一种税务注册地址时空聚类方法，包括：
获取税务局数据库中的纳税人税务登记注册地址；
对所述纳税人税务登记注册地址进行语言处理，并利用空间向量模构建纳税人税务登记注册地址的文本向量；
获取所述纳税人税务登记注册地址对应的经纬度信息，并构建纳税人税务登记注册地址的时空向量；
构建权重向量矩阵，并将文本向量与时空向量进行加权处理，得到结合真实地址和经纬度地址的加权地址向量；
利用基于经纬度加权的时空聚类算法对加权地址向量进行聚类处理，对所述纳税人税务登记注册地址中包含的每个地址信息返回相应的类标，将具有相同类标的地址归为一类，得到纳税人税务登记注册地址信息的聚类结果。
进一步的，所述对所述纳税人税务登记注册地址进行语言处理，并利用空间向量模构建纳税人税务登记注册地址的文本向量，包括：
分词，利用JieBa分词策略，并基于Trie树结构实现税人税务登记注册地址文本的分词，生成有向无环图；
补充字典，利用Http Client爬取网络页面，并利用Jsoup拆分网络页面数据，获取各个行政区划、街道和小区的地址数据，用以分词的补充字典；
纳税人税务登记注册地址文本信息向量化，利用向量空间模型来表示每一条地址信息，在向量空间模型中，每个地址d为向量空间中的一个向量；并利用TF-IDF来度量特征向量，TF-IDF给予每个地址d在总样本中的权重值，得到纳税人税务登记注册地址的文本向量。
进一步的，所述获取所述纳税人税务登记注册地址对应的经纬度信息，并构建纳税人税务登记注册地址的时空向量，包括：
根据地图开源平台将纳税人税务登记注册地址转换为地址经纬度；
构建基于经纬度的纳税人税务登记注册地址的时空向量，该时空向量维度为1*2。
进一步的，所述利用基于经纬度加权的时空聚类算法对加权地址向量进行聚类处理，对所述纳税人税务登记注册地址中包含的每个地址信息返回相应的类标，将具有相同类标的地址归为一类，得到纳税人税务登记注册地址信息的聚类结果，包括：
步骤一、利用K-means++的方式选取K个加权地址向量作为初始聚类中心；
步骤二、计算每个加权地址向量与聚类中心之间的距离：
步骤三、按照距离远近，将加权地址向量分配分配到K个类簇中；
步骤四、计算各类簇加权地址向量均值并更新聚类中心；
步骤五、重复步骤二至步骤四，直至聚类中心不再发生改变；
步骤六、聚类中心不再发生改变后，计算每轮SSE值，选取SSE减幅最小时所对应的K值作为地址聚类个数，得到聚类结果。
进一步的，所述基于经纬度加权的时空聚类算法的目标函数公式如下：
Figure BDA0003947705000000031
其中，i表示第i个聚类类簇，聚类中心为
Figure BDA0003947705000000032
Ni为第i个聚类集中样本个数，vd表示文本向量，vt表示时空向量，wd表示文本向量权重矩阵，wt表示时空向量权重矩阵。
进一步的，所述步骤二包括以下步骤：
采用欧氏距离来计算每个加权地址向量与聚类中心的距离。
第二方面，本发明还提供了一种税务注册地址时空聚类装置，包括：
数据采集模块，用于获取税务局数据库中的纳税人税务登记注册地址；
文本向量模块，用于对所述纳税人税务登记注册地址进行语言处理，并利用空间向量模构建纳税人税务登记注册地址的文本向量；
时空向量模块，用于获取所述纳税人税务登记注册地址对应的经纬度信息，并构建纳税人税务登记注册地址的时空向量；
权重地址向量模块，用于构建权重向量矩阵，并将文本向量与时空向量进行加权处理，得到结合真实地址和经纬度地址的加权地址向量；
加权时空聚类模块，用于利用基于经纬度加权的时空聚类算法对加权地址向量进行聚类处理，对所述纳税人税务登记注册地址中包含的每个地址信息返回相应的类标，将具有相同类标的地址归为一类，得到纳税人税务登记注册地址信息的聚类结果。
第三方面，本发明还提供一种服务器，包括存储器、处理器以及存储在所述存储器中并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计算机程序时实现上述税务注册地址时空聚类方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述税务注册地址时空聚类方法的步骤。
相对于现有技术，本发明所述的税务注册地址时空聚类方法、装置、服务器及存储介质具有以下优势：
本发明所述的税务注册地址时空聚类方法，解决了现有技术中无法对纳税人注册地址登记中的地址信息进行准确识别的技术问题。通过对纳锐人的税务登记注册地址信息进行预处理，获取基于纳税人税务登记注册地址的加权时空地址与文本地址，并基于加权时空地址与文本地址双信息构建聚类算法模型，最后利用聚类算法模型将同一地址进行聚类，得到聚类分析结果，可以有效获取同一地址的税务登记注册信息，进而有利于在税务工作中对于一个地址多个纳税人注册的情况进行有效地分析。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例一提供的一种税务注册地址时空聚类方法流程图；
图2为本发明实施例二提供的一种税务注册地址时空聚类装置的结构示意图；
图3为本发明实施例三提供的服务器的示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种税务注册地址时空聚类方法流程图，参见图1，所述方法包括以下步骤：
步骤101、获取税务局数据库中的纳税人税务登记注册地址；
步骤102、对所述纳税人税务登记注册地址进行语言处理，并利用空间向量模构建纳税人税务登记注册地址的文本向量；
步骤103、获取所述纳税人税务登记注册地址对应的经纬度信息，并构建纳税人税务登记注册地址的时空向量；
步骤104、构建权重向量矩阵，并将文本向量与时空向量进行加权处理，得到结合真实地址和经纬度地址的加权地址向量；
步骤105、利用基于经纬度加权的时空聚类算法对加权地址向量进行聚类处理，对所述纳税人税务登记注册地址中包含的每个地址信息返回相应的类标，将具有相同类标的地址归为一类，得到纳税人税务登记注册地址信息的聚类结果。
其中，对所述纳税人税务登记注册地址进行语言处理，并利用空间向量模构建纳税人税务登记注册地址的文本向量，包括：
分词，利用JieBa分词策略，并基于Trie树结构实现税人税务登记注册地址文本的分词，生成有向无环图。
示例性的，分词过程是将汉字序列按语义分为相互独立词语的过程，根据研究表明词的特征粒度与字特征粒度相比具有更好的效果，可以保留更多的“n-gram”信息，因此需对地址信息进行分词。不同于英文具有天然的分隔性，中文的分词更加复杂，本方法选用JieBa分词策略，基于Trie树结构实现高效的词图扫描，将句子中可能分为词的的所有情况，生成有向无环图(DAG，Directed Acyclic Graph)。
补充字典，利用Http Client爬取网络页面，并利用Jsoup拆分网络页面数据，获取各个行政区划、街道和小区的地址数据，用以分词的补充字典。
示例性的，由于本方法主要是针对注册地址信息进行分析，分词字典中缺乏地址信息的词典，为保证分词准确度，本方法通过利用Http Client爬取网络页面，Jsoup拆分页面数据，获取例如河北省的各个行政区划、街道和小区的地址数据，用以分词的补充字典。本领域技术人员也可以根据地域不同，选择其他省份获取各个行政区划、街道和小区的地址数据。
纳税人税务登记注册地址文本信息向量化，利用向量空间模型来表示每一条地址信息，在向量空间模型中，每个地址d为向量空间中的一个向量；并利用TF-IDF来度量特征向量，TF-IDF给予每个地址d在总样本中的权重值，得到纳税人税务登记注册地址的文本向量。
示例性的，针对地址信息进行聚类，首先需要对地址信息转换为向量化的表示，本发明使用向量空间模型来表示每一条地址信息，在VSM模型中，每个地址d为向量空间中的一个向量。本发明使用TF-IDF(Term Frequency–Inverse Document Frequency)来度量特征向量，TF-IDF给予每一条地址在总样本中的权重值。
TF-IDF技术：Term Frequency-Inverse Document Frequency是用于文本挖掘常用的加权技术，利用统计方法，用以评估某个词的重要程度。
vd＝TF×IDF
其中vd表示地址信息的文本向量。vd为1*n的向量，其中n是总词数。
在实际应用过程中，可以先利用分词过程和补充字典方式对所述纳税人税务登记注册地址中的文字信息进行语义挖掘；再利用向量空间模型将所述纳税人税务登记注册地址中的地址文本信息转化为地址向量；最后利用TF-IDF方法度量所述地址向量中的特征向量并获得所述纳税人税务登记注册地址信息中的每一个地址词在总样本中的权重值。
其次，获取所述纳税人税务登记注册地址对应的经纬度信息，并构建纳税人税务登记注册地址的时空向量，包括：
根据地图开源平台将纳税人税务登记注册地址转换为地址经纬度；
构建基于经纬度的纳税人税务登记注册地址的时空向量，该时空向量维度为1*2。
示例性的，利用文本向量和时空向量构建权重向量矩阵，并将文本向量与时空向量进行加权处理，得到结合真实地址和经纬度地址的加权地址向量，具体可采用如下步骤：
将地址文本向量结果与经纬度时空向量结果进行加权，重新定义结合真实地址和经纬度地址的时空地址向量。
Figure BDA0003947705000000091
其中，w为归一化向量矩阵，分别对文本向量vd和时空向量vt进行归一化和加权处理。
在实际应用过程中，通过利用得到的加权地址向量，重新定义地址之间的时空向量距离，进而使用聚类算法对地址向量进行聚类处理，对所述纳税人税务登记注册地址中包含的每个地址信息返回相应的类标，具有相同类标的地址归为一类，进而获得纳税人税务登记注册地址信息的聚类结果。
示例性的，聚类分析作为数据挖掘领域的重要组成部分，是处理和分析数据的有效工具。本方法在传统的K-means算法的基础上，对距离公式进行改进，提出一种新的时空加文本的双重地址信息聚类分析方法，来分析相似税务注册地址，利用加权的时空地址向量进行计算。具体的，加权时空聚类模型的对已转化为向量的新的时空地址信息进行聚类，改进后的基于经纬度的时空聚类算法目标函数公式如下：
Figure BDA0003947705000000092
其中，i表示第i个聚类类簇，聚类中心为
Figure BDA0003947705000000093
Ni为第i个聚类集中样本个数，vd表示文本向量，vt表示时空向量，wd表示文本向量权重矩阵，wt表示时空向量权重矩阵。
再次，利用基于经纬度加权的时空聚类算法对加权地址向量进行聚类处理，对所述纳税人税务登记注册地址中包含的每个地址信息返回相应的类标，将具有相同类标的地址归为一类，得到纳税人税务登记注册地址信息的聚类结果，包括：
步骤一、利用K-means++的方式选取K个加权地址向量作为初始聚类中心。
步骤二、计算每个加权地址向量与聚类中心之间的距离：具体的，可采用欧氏距离来计算每个加权地址向量与聚类中心的距离，公式如下：
Figure BDA0003947705000000102
步骤三、按照距离远近，将加权地址向量分配分配到K个类簇中。
步骤四、计算各类簇加权地址向量均值并更新聚类中心。
步骤五、重复步骤二至步骤四，直至聚类中心不再发生改变，其中，样本均值计算的模型为：
Figure BDA0003947705000000101
其中，vd表示文本向量，vt表示时空向量，wd表示文本向量权重矩阵，wt表示时空向量权重矩阵。如果样本属于第K个类，＝1，反之＝0。
步骤六、聚类中心不再发生改变后，计算每轮SSE值(sum of the squarederrors，即误差平方和)，选取SSE减幅最小时所对应的K值作为地址聚类个数，得到聚类结果。
示例性的，上述算法属于无监督学习，需要提前指定聚类个数K，由于地址信聚类属于无法确定具体的聚类个K,本发明采用手肘法来来确定K的个数，其核心为SSE(sum ofthe squared errors，误差平方和)，即根据所有样本与聚类中心的误差，代表了聚类效果的好坏。随着聚类个数K的增加，样本的划分将更加细化，相应的每个类簇间的样本之间的相似性也会越来越高，故SSE的值会随着聚类个数K的增加而减少。但是，当聚类个数K小于实际聚类个数后，每个类簇之间的聚合程度会随着K值的增大而大幅度的提高，故SSE的值会随着聚类个数K的增加而骤减。综上，本发明找到SSE减幅最小时(即拐点)所对应的K值，选为地址聚类个数。
在实际应用过程中，本方法可以实现构建基于加权时空地址与文本地址双信息的聚类算法模型。通过针对纳锐人的注册地址信息进行分词等预处理，并通过VSM空间向量模型转化为向量，可以使用数据挖掘算法对注册地址信息进行分析。由于人为输入注册地址，存在地址模糊、不明确，无法有效获取同一地址的注册信息，因而选取合适的聚类算法将同一地址进行聚类，解决了上述问题。
本实施例提供的方法，通过基于时空聚类算法对注册地址信息进行分析，构造对地址信息分析的模型。首先，将注册地址进行自然语言处理，其中包括词库的扩充、分词操作。对于地址分词后的结果，利用空间向量模型(VSM,Vector Space Model)转化地址文本向量，同时，利用地图开源平台或者注册地址的经纬度信息构建地址时空向量。构建加权时空聚类方法将地址文本向量结果与经纬度时空向量结果进行加权，重新定义地址向量，构建加权时空K-means聚类模型，采用无监督的方式选取合适聚类个数K，并将聚类结果根据需要指定结构。
当前，面对纳税人信息分析时，存在纳税人企业注册地址登记中地址模糊，填写不准确，导致无法用匹配的方式判断是否存在多个纳税人在同一地址进行了注册。并且，对于由于汉字的异构性提升了对同一地址识别的难度。应用本方法可以解决上述问题，可对存在一个地址多个纳税人进行注册进行检测，以预警存在潜在危险的企业，发现团伙企业。
通过利用该本实施例提供的方法对于纳税人企业注册地址信息进行聚类，对得到的结果进行分析，可以得到同一地址的识别概率。由此可见，应用本方法，可以对于税务工作中对于一个地址多个纳税人注册的情况可以有效地分析。
实施例二
图2为本发明实施例二提供的一种税务注册地址时空聚类装置的结构示意图，用于根据纳税人税务登记注册地址数据，得到加权聚类模型输出的相同或相似注册地址结果，参见图2，所述装置包括：
数据采集模块201，用于获取税务局数据库中的纳税人税务登记注册地址；
文本向量模块202，用于对所述纳税人税务登记注册地址进行语言处理，并利用空间向量模构建纳税人税务登记注册地址的文本向量；
时空向量模块203，用于获取所述纳税人税务登记注册地址对应的经纬度信息，并构建纳税人税务登记注册地址的时空向量；
权重地址向量模块204，用于构建权重向量矩阵，并将文本向量与时空向量进行加权处理，得到结合真实地址和经纬度地址的加权地址向量；
加权时空聚类模块205，用于利用基于经纬度加权的时空聚类算法对加权地址向量进行聚类处理，对所述纳税人税务登记注册地址中包含的每个地址信息返回相应的类标，将具有相同类标的地址归为一类，得到纳税人税务登记注册地址信息的聚类结果。
本发明实施例二所提供的税务注册地址时空聚类装置可执行本发明任意实施例所提供的税务注册地址时空聚类方法，具备执行方法相应的功能模块和有益效果。
实施例三
图3本发明实施例三提供的服务器的示意图，参见图3，该实施例的服务器包括：处理器、存储器、存储在存储器中并可在处理器上运行的计算机程序以及网络适配器。处理器执行计算机程序时实现上述实施例所述税务注册地址时空聚类方法，例如图1所示的步骤101至步骤105。或者，处理器执行计算机程序时实现上述装置实施例中各模块/单元的功能，例如图2所示模块/单元的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在服务器中的执行过程。例如，计算机程序可以被分割成图2所示的模块/单元。
服务器可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。服务器可包括，但不仅限于，处理器、存储器、网络适配器。本领域技术人员可以理解，图3仅仅是服务器的示例，并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如服务器还可以包括输入输出设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是服务器的内部存储单元，例如服务器的硬盘或内存。存储器也可以是服务器的外部存储设备，例如服务器上配备的插接式硬盘，智能存储卡(Smart MediaCard，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器还可以既包括服务器的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及服务器所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
网络适配器可以是服务器的有线网络单元，例如服务器的网络接口板。网络适配器也可以是服务器的无线网络单元，例如无线网卡。进一步地，网络适配器还可以既包括服务器的有线网络单元也包括无线网络单元，网络适配器用于服务器对外通讯，是工作在数据链路层的网路组件，是局域网中连接计算机合传输介质的接口，不仅能实现与局域网传输介质之间的物理连接合电信号匹配，还涉及帧的发送与接收、帧的封装与拆封、介质访问控制、数据的编码与解码以及数据缓存的功能等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
实施例四
本发明实施例四还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的税务注册地址时空聚类方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。
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。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (9)

1.一种税务注册地址时空聚类方法，其特征在于，包括：
获取税务局数据库中的纳税人税务登记注册地址；
对所述纳税人税务登记注册地址进行语言处理，并利用空间向量模构建纳税人税务登记注册地址的文本向量；
获取所述纳税人税务登记注册地址对应的经纬度信息，并构建纳税人税务登记注册地址的时空向量；
构建权重向量矩阵，并将文本向量与时空向量进行加权处理，得到结合真实地址和经纬度地址的加权地址向量；
利用基于经纬度加权的时空聚类算法对加权地址向量进行聚类处理，对所述纳税人税务登记注册地址中包含的每个地址信息返回相应的类标，将具有相同类标的地址归为一类，得到纳税人税务登记注册地址信息的聚类结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述纳税人税务登记注册地址进行语言处理，并利用空间向量模构建纳税人税务登记注册地址的文本向量，包括：
分词，利用JieBa分词策略，并基于Trie树结构实现税人税务登记注册地址文本的分词，生成有向无环图；
补充字典，利用Http Client爬取网络页面，并利用Jsoup拆分网络页面数据，获取各个行政区划、街道和小区的地址数据，用以分词的补充字典；
纳税人税务登记注册地址文本信息向量化，利用向量空间模型来表示每一条地址信息，在向量空间模型中，每个地址d为向量空间中的一个向量；并利用TF-IDF来度量特征向量，TF-IDF给予每个地址d在总样本中的权重值，得到纳税人税务登记注册地址的文本向量。
3.根据权利要求1所述的方法，其特征在于，所述获取所述纳税人税务登记注册地址对应的经纬度信息，并构建纳税人税务登记注册地址的时空向量，包括：
根据地图开源平台将纳税人税务登记注册地址转换为地址经纬度；
构建基于经纬度的纳税人税务登记注册地址的时空向量，该时空向量维度为1*2。
4.根据权利要求1所述的方法，其特征在于，所述利用基于经纬度加权的时空聚类算法对加权地址向量进行聚类处理，对所述纳税人税务登记注册地址中包含的每个地址信息返回相应的类标，将具有相同类标的地址归为一类，得到纳税人税务登记注册地址信息的聚类结果，包括：
步骤一、利用K-means++的方式选取K个加权地址向量作为初始聚类中心；
步骤二、计算每个加权地址向量与聚类中心之间的距离：
步骤三、按照距离远近，将加权地址向量分配分配到K个类簇中；
步骤四、计算各类簇加权地址向量均值并更新聚类中心；
步骤五、重复步骤二至步骤四，直至聚类中心不再发生改变；
步骤六、聚类中心不再发生改变后，计算每轮SSE值，选取SSE减幅最小时所对应的K值作为地址聚类个数，得到聚类结果。
5.根据权利要求4所述的方法，其特征在于，所述步骤二包括以下步骤：
采用欧氏距离来计算每个加权地址向量与聚类中心的距离。
6.根据权利要求1所述的方法，其特征在于，所述基于经纬度加权的时空聚类算法的目标函数公式如下：
Figure FDA0003947704990000031
其中，i表示第i个聚类类簇，聚类中心为
Figure FDA0003947704990000032
Ni为第i个聚类集中样本个数，vd表示文本向量，vt表示时空向量，wd表示文本向量权重矩阵，wt表示时空向量权重矩阵。
7.一种税务注册地址时空聚类装置，其特征在于，包括：
数据采集模块，用于获取税务局数据库中的纳税人税务登记注册地址；
文本向量模块，用于对所述纳税人税务登记注册地址进行语言处理，并利用空间向量模构建纳税人税务登记注册地址的文本向量；
时空向量模块，用于获取所述纳税人税务登记注册地址对应的经纬度信息，并构建纳税人税务登记注册地址的时空向量；
权重地址向量模块，用于构建权重向量矩阵，并将文本向量与时空向量进行加权处理，得到结合真实地址和经纬度地址的加权地址向量；
加权时空聚类模块，用于利用基于经纬度加权的时空聚类算法对加权地址向量进行聚类处理，对所述纳税人税务登记注册地址中包含的每个地址信息返回相应的类标，将具有相同类标的地址归为一类，得到纳税人税务登记注册地址信息的聚类结果。
8.一种服务器，包括存储器、处理器以及存储在所述存储器中并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计算机程序时实现如上的权利要求1至6中任一项所述税务注册地址时空聚类方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如上的权利要求1至6中任一项所述税务注册地址时空聚类方法的步骤。
CN202211438973.4A 2022-11-17 2022-11-17 税务注册地址时空聚类方法、装置、服务器及存储介质 Pending CN115934852A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211438973.4A CN115934852A (zh) 2022-11-17 2022-11-17 税务注册地址时空聚类方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211438973.4A CN115934852A (zh) 2022-11-17 2022-11-17 税务注册地址时空聚类方法、装置、服务器及存储介质

Publications (1)

Publication Number Publication Date
CN115934852A true CN115934852A (zh) 2023-04-07

Family

ID=86699970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211438973.4A Pending CN115934852A (zh) 2022-11-17 2022-11-17 税务注册地址时空聚类方法、装置、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN115934852A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117828382A (zh) * 2024-02-26 2024-04-05 闪捷信息科技有限公司 基于url的网络接口聚类方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117828382A (zh) * 2024-02-26 2024-04-05 闪捷信息科技有限公司 基于url的网络接口聚类方法及装置
CN117828382B (zh) * 2024-02-26 2024-05-10 闪捷信息科技有限公司 基于url的网络接口聚类方法及装置

Similar Documents

Publication Publication Date Title
CN107992596B (zh) 一种文本聚类方法、装置、服务器和存储介质
CN113486178B (zh) 文本识别模型训练方法、文本识别方法、装置以及介质
CN111339396B (zh) 提取网页内容的方法、装置和计算机存储介质
CN116089873A (zh) 模型训练方法、数据分类分级方法、装置、设备及介质
CN113987174A (zh) 分类标签的核心语句提取方法、系统、设备及存储介质
CN114416998A (zh) 文本标签的识别方法、装置、电子设备及存储介质
CN110708285A (zh) 流量监控方法、装置、介质及电子设备
CN114495143A (zh) 一种文本对象识别方法、装置、电子设备及存储介质
CN112685374B (zh) 日志分类方法、装置及电子设备
CN114547301A (zh) 文档处理、识别模型训练方法、装置、设备及存储介质
CN115934852A (zh) 税务注册地址时空聚类方法、装置、服务器及存储介质
CN115017879A (zh) 文本对比方法、计算机设备及计算机存储介质
CN103440292A (zh) 基于比特向量的多媒体信息检索方法和系统
US11163761B2 (en) Vector embedding models for relational tables with null or equivalent values
CN113837307A (zh) 数据相似度计算方法、装置、可读介质及电子设备
CN110390011A (zh) 数据分类的方法和装置
CN116089586B (zh) 基于文本的问题生成方法及问题生成模型的训练方法
CN115544257B (zh) 网盘文档快速分类方法、装置、网盘及存储介质
CN111738290A (zh) 图像检测方法、模型构建和训练方法、装置、设备和介质
CN108733702B (zh) 用户查询上下位关系提取的方法、装置、电子设备和介质
CN114091463B (zh) 地区工单乱点分析方法、装置、电子设备及可读存储介质
CN115129885A (zh) 实体链指方法、装置、设备及存储介质
CN114201607A (zh) 一种信息处理的方法和装置
CN110059180B (zh) 文章作者身份识别及评估模型训练方法、装置及存储介质
CN112818167A (zh) 实体检索方法、装置、电子设备及计算机可读存储介质

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