WO2019041529A1 - 新闻主体企业识别方法、电子设备及计算机可读存储介质 - Google Patents

新闻主体企业识别方法、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
WO2019041529A1
WO2019041529A1 PCT/CN2017/108812 CN2017108812W WO2019041529A1 WO 2019041529 A1 WO2019041529 A1 WO 2019041529A1 CN 2017108812 W CN2017108812 W CN 2017108812W WO 2019041529 A1 WO2019041529 A1 WO 2019041529A1
Authority
WO
WIPO (PCT)
Prior art keywords
news
type
document
probability
predicted
Prior art date
Application number
PCT/CN2017/108812
Other languages
English (en)
French (fr)
Inventor
陈一恋
徐冰
汪超慧
朱伟峰
汪伟
肖京
Original Assignee
平安科技（深圳）有限公司
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 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2019041529A1 publication Critical patent/WO2019041529A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种新闻主体企业识别方法，该方法包括步骤：通过预定的训练模型对收集的训练样本进行迭代训练，提取该训练样本的特征信息(S31)；获取待预测新闻文档，识别出该待预测新闻文档中的企业名称，并根据提取的训练样本的特征信息，分别计算该待预测新闻文档属于第一类新闻的概率和属于第二类新闻的概率(S32)；根据所述计算出的第一类新闻概率和第二类新闻概率的大小，确定该待预测新闻文档中识别出的企业名称属于第一类企业名称或是第二类企业名称(S33)。可以提升新闻主体企业识别的准确率。

Description

新闻主体企业识别方法、电子设备及计算机可读存储介质
本专利申请以2017年8月31日提交的申请号为201710775033.7，名称为“新闻主体企业识别方法、电子设备及计算机可读存储介质”的中国发明专利申请为基础，并要求其优先权。
技术领域
本申请涉及计算机信息技术领域，尤其涉及一种新闻主体企业识别方法、电子设备及计算机可读存储介质。
背景技术
在进行新闻的主体企业识别时，有时识别出的主体是作为媒体企业在新闻中出现，并不是真正作为主体企业出现。针对这种将媒体企业错误识别为新闻中的主体企业的现状，现有技术中无法精确判断该企业是否是该篇新闻的主体企业还是作为媒体报道企业出现。故，现有技术中的新闻主体企业识别方法设计不够合理，亟需改进。
发明内容
有鉴于此，本申请提出一种新闻主体企业识别方法、电子设备及计算机可读存储介质，通过对识别出的企业名称进一步确定其属于主体企业还是媒体企业，提升了新闻主体企业识别的准确率。
首先，为实现上述目的，本申请提出一种电子设备，所述电子设备包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的新闻主体企业识别系统，所述新闻主体企业识别系统被所述处理器执行时实现如下步骤：
通过预定的训练模型对收集的训练样本进行迭代训练，提取该训练样本的特征信息；
获取待预测新闻文档，识别出该待预测新闻文档中的企业名称，并根据提取的训练样本的特征信息，分别计算该待预测新闻文档属于第一类新闻的概率和属于第二类新闻的概率；及
根据所述计算出的第一类新闻概率和第二类新闻概率的大小，确定该待预测新闻文档中识别出的企业名称属于第一类企业名称或是第二类企业名称。
优选地，所述训练样本的特征信息包括：某类新闻中的文档数量、训练样本中总的文档数量、某类新闻下文档中的词汇频数、及某类新闻中总的词汇数量。
优选地，文档属于某类新闻的概率＝训练样本随机抽取一个文档属于某类新闻的概率×某类新闻下文档中的词汇频数与总词汇的比例。
优选地，该待预测新闻文档属于第一类新闻的概率＝第一类新闻中的文档数量与训练样本中总的文档数量之间的比值乘以第一类新闻下文档中的词汇 频数与第一类新闻中总的词汇数量之间的比值；及
该待预测新闻文档属于第二类新闻的概率＝第二类新闻中的文档数量与训练样本中总的文档数量之间的比值乘以第二类新闻下文档中的词汇频数与第二类新闻中总的词汇数量之间的比值。
优选地，所述确定该待预测新闻文档中识别出的企业名称属于第一类企业名称或是第二类企业名称包括：
若所述计算出的第一类新闻概率大于或等于第二类新闻概率，则确定该待预测新闻文档中识别出的企业名称属于第一类企业名称；及
若所述计算出的第一类新闻概率小于第二类新闻概率，则确定该待预测新闻文档中识别出的企业名称属于第二类企业名称。
此外，为实现上述目的，本申请还提供一种新闻主体企业识别方法，该方法应用于电子设备，所述方法包括：
通过预定的训练模型对收集的训练样本进行迭代训练，提取该训练样本的特征信息；
获取待预测新闻文档，识别出该待预测新闻文档中的企业名称，并根据提取的训练样本的特征信息，分别计算该待预测新闻文档属于第一类新闻的概率和属于第二类新闻的概率；及
根据所述计算出的第一类新闻概率和第二类新闻概率的大小，确定该待预测新闻文档中识别出的企业名称属于第一类企业名称或是第二类企业名称。
优选地，所述训练样本的特征信息包括：某类新闻中的文档数量、训练样本中总的文档数量、某类新闻下文档中的词汇频数、及某类新闻中总的词汇数量；其中，文档属于某类新闻的概率＝训练样本随机抽取一个文档属于某类新闻的概率×某类新闻下文档中的词汇频数与总词汇的比例。
优选地，该待预测新闻文档属于第一类新闻的概率＝第一类新闻中的文档数量与训练样本中总的文档数量之间的比值乘以第一类新闻下文档中的词汇频数与第一类新闻中总的词汇数量之间的比值；及
该待预测新闻文档属于第二类新闻的概率＝第二类新闻中的文档数量与训练样本中总的文档数量之间的比值乘以第二类新闻下文档中的词汇频数与第二类新闻中总的词汇数量之间的比值。
优选地，所述确定该待预测新闻文档中识别出的企业名称属于第一类企业名称或是第二类企业名称包括：
若所述计算出的第一类新闻概率大于或等于第二类新闻概率，则确定该待预测新闻文档中识别出的企业名称属于第一类企业名称；及
若所述计算出的第一类新闻概率小于第二类新闻概率，则确定该待预测新闻文档中识别出的企业名称属于第二类企业名称。
进一步地，为实现上述目的，本申请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新闻主体企业识别系统，所述新闻主体企业识别系统可被至少一个处理器执行，以使所述至少一个处理器执行如上述的新闻主体企业识别方法的步骤。
相较于现有技术，本申请所提出的电子设备、新闻主体企业识别方法及计算机可读存储介质，通过对识别出的企业名称进一步确定其属于主体企业还是媒体企业，提升了新闻主体企业识别的准确率，例如，可以将本申请应用在企业关系图谱中企业节点的发散，提升关系网络的企业节点识别的准确率，同时也可以提高产品的质量以及客户的体验。
附图说明
图1是本申请电子设备一可选的硬件架构的示意图；
图2是本申请电子设备中新闻主体企业识别系统一实施例的程序模块示意图；
图3为本申请新闻主体企业识别方法一实施例的实施流程示意图。
附图标记：
电子设备 2
存储器 21
处理器 22
网络接口 23
新闻主体企业识别系统 20
提取模块 201
计算模块 202
识别模块 203
流程步骤 S31-S33
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，本领 域普通技术人员在没有做出创造性劳动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。
需要说明的是，在本申请中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
进一步需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
首先，本申请提出一种电子设备2。
参阅图1所示，是本申请电子设备2一可选的硬件架构的示意图。本实施例中，所述电子设备2可包括，但不限于，可通过系统总线相互通信连接存储器21、处理器22、网络接口23。需要指出的是，图1仅示出了具有组件21-23的电子设备2，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
其中，所述电子设备2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等计算设备，该电子设备2可以是独立的服务器，也可以是多个服务器所组成的服务器集群。
所述存储器21至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器21可以是所述电子设备2的内部存储单元，例如该电子设备2的硬盘或内存。在另一些实施例中，所述存储器21也可以是所述电子设备2的外部存储设备，例如该电子设备2上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器21还可以既包括所述电子设备2的内部存储单元也包括其外部存储设备。本实施例中，所述存储器21通常用于存储安装于所述电子设备2的操作系统和各类应用软件，例如所述新闻主体企业识别系统20的程序代码等。此外，所述存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制所述电子设备2的总体操作，例如执行与所述电子设备2进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器22用于运行所述存储器21中存储的程序代码或者处理数据，例如运行所述的新闻主体企业识别系统20等。
所述网络接口23可包括无线网络接口或有线网络接口，该网络接口23通常用于在所述电子设备2与其他电子设备之间建立通信连接。例如，所述网络接口23用于通过网络将所述电子设备2与外部数据平台相连，在所述电子设备2与外部数据平台之间的建立数据传输通道和通信连接。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication，GSM)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
至此，己经详细介绍了本申请各个实施例的应用环境和相关设备的硬件结构和功能。下面，将基于上述应用环境和相关设备，提出本申请的各个实施例。
参阅图2所示，是本申请电子设备2中新闻主体企业识别系统20一实施例的程序模块图。本实施例中，所述的新闻主体企业识别系统20可以被分割成一个或多个程序模块，所述一个或者多个程序模块被存储于所述存储器21中，并由一个或多个处理器(本实施例中为所述处理器22)所执行，以完成本申请。例如，在图2中，所述的新闻主体企业识别系统20可以被分割成提取模块201、计算模块202、以及识别模块203。本申请所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述所述新闻主体企业识别系统20在所述电子设备2中的执行过程。以下将就各程序模块201-203的功能进行详细描述。
所述提取模块201，用于通过预定的训练模型对收集的训练样本进行迭代训练，提取该训练样本(如训练集新闻)的特征信息。
优选地，在本实施例中，所述预定的训练模型可以采用朴素贝叶斯模型，所述训练样本的内容可以为新闻标题和正文。在本实施例中，针对预先收集的训练样本，标记某个企业名称作为主体企业的新闻为第一类新闻(如标记为“1”)，标记某个企业名称作为媒体企业(识别为主体即企业名称)的新闻为第二类新闻(如标记为“0”)。在主体企业识别时，调用所述训练模型，如果训练模型返回结果是1，则初步判断识别出的主体是新闻的主体企业；反之，如果训练模型返回结果是0，则初步判断识别出的主体是新闻的媒体企业。
举例而言，以“浙江核新同花顺网络信息股份有限公司“为例，以下简称“同花顺”。在样本收集过程中，标记“同花顺”作为主体企业的新闻为1， “同花顺”作为媒体企业(识别为主体)的新闻为0。假设一篇新闻识别的主体为“同花顺”，调用以上训练模型，若返回结果是1，则判断“同花顺”是该篇新闻的主体企业；反之，若返回结果是0，则判断“同花顺”是该篇新闻的媒体企业。
进一步地，在本实施例中，所述训练样本的特征信息包括，但不限于：某类新闻中的文档数量(D)、训练样本中总的文档数量(A)、某类新闻下文档中的词汇频数(F)、某类新闻中总的词汇数量(W)。
所述计算模块202，用于获取待预测新闻文档(包括标题和正文)，识别出该待预测新闻文档中的企业名称(识别为主体)，并根据提取的训练样本的特征信息，分别计算该待预测新闻文档属于第一类新闻的概率p1和属于第二类新闻的概率p2。在本实施例中，可以通过关键词识别出该待预测新闻文档中的企业名称，也可以通过分词算法(如HanLP算法)获取分词的词汇，并识别出该待预测新闻文档中的企业名称。
优选地，在本实施例中，文档T属于某类新闻C的概率＝训练样本(或文档空间)随机抽取一个文档T属于某类新闻C的概率×某类新闻C下文档中的词汇频数与总词汇的比例。
具体而言，该待预测新闻文档属于第一类新闻的概率p1＝训练样本(或文档空间)随机抽取一个文档属于第一类新闻的概率×第一类新闻下文档中的词汇频数与总词汇之间的比值，即p1＝第一类新闻中的文档数量与训练样本中总的文档数量之间的比值乘以第一类新闻下文档中的词汇频数与第一类新闻中总的词汇数量之间的比值。举例而言，假设D1代表第一类新闻中的文档数量、A代表训练样本中总的文档数量、F1代表第一类新闻下文档中的词汇频数、W1代表第一类新闻中总的词汇数量，则p1＝(D1/A)×(F1/W1)。
同理，该待预测新闻文档属于第二类新闻的概率p2＝训练样本(或文档空间)随机抽取一个文档属于第二类新闻的概率×第二类新闻下文档中的词汇频数与总词汇之间的比值，即p2＝第二类新闻中的文档数量与训练样本中总的文档数量之间的比值乘以第二类新闻下文档中的词汇频数与第二类新闻中总的词汇数量之间的比值。举例而言，假设D2代表第二类新闻中的文档数量、A代表训练样本中总的文档数量、F2代表第二类新闻下文档中的词汇频数、W2代表第二类新闻中总的词汇数量，则p2＝(D2/A)×(F2/W2)。
所述识别模块203，用于根据所述计算出的第一类新闻概率p1和第二类新闻概率p2的大小，确定该待预测新闻文档中识别出的企业名称属于第一类企业名称(如主体企业)或是第二类企业名称(如媒体企业)。其中，第一类企业名称作为主体企业(即被报道的企业)在该篇新闻中出现，第二类企业名称作为媒体企业(即报道该新闻的媒体企业)在该篇新闻中出现。
优选地，在本实施例中，所述确定该待预测新闻文档中识别出的企业名称属于第一类企业名称或是第二类企业名称包括：
若所述计算出的第一类新闻概率p1大于或等于第二类新闻概率p2，则确定该待预测新闻文档中识别出的企业名称属于第一类企业名称(如主体企业)；
若所述计算出的第一类新闻概率p1小于第二类新闻概率p2，则确定该待预测新闻文档中识别出的企业名称属于第二类企业名称(如媒体企业)。
进一步地，在其它实施例中，可以将上述确定出的企业名称类别返回至其它应用接口调用，形成反馈机制。
通过上述程序模块201-203，本申请所提出的新闻主体企业识别系统20，通过对识别出的企业名称进一步确定其属于主体企业还是媒体企业，提升了新闻主体企业识别的准确率，例如，可以将本申请应用在企业关系图谱中企业节点的发散，提升关系网络的企业节点识别的准确率，同时也可以提高产品的质量以及客户的体验。
此外，本申请还提出一种新闻主体企业识别方法。
参阅图3所示，是本申请新闻主体企业识别方法一实施例的实施流程示意图。在本实施例中，根据不同的需求，图3所示的流程图中的步骤的执行顺序可以改变，某些步骤可以省略。
步骤S31，通过预定的训练模型对收集的训练样本进行迭代训练，提取该训练样本(如训练集新闻)的特征信息。
优选地，在本实施例中，所述预定的训练模型可以采用朴素贝叶斯模型，所述训练样本的内容可以为新闻标题和正文。在本实施例中，针对预先收集的训练样本，标记某个企业名称作为主体企业的新闻为第一类新闻(如标记为“1”)，标记某个企业名称作为媒体企业(识别为主体即企业名称)的新闻为第二类新闻(如标记为“0”)。在主体企业识别时，调用所述训练模型，如果训练模型返回结果是1，则初步判断识别出的主体是新闻的主体企业；反之，如果训练模型返回结果是0，则初步判断识别出的主体是新闻的媒体企业。
举例而言，以“浙江核新同花顺网络信息股份有限公司“为例，以下简称“同花顺”。在样本收集过程中，标记“同花顺”作为主体企业的新闻为1，“同花顺”作为媒体企业(识别为主体)的新闻为0。假设一篇新闻识别的主体为“同花顺”，调用以上训练模型，若返回结果是1，则判断“同花顺”是该篇新闻的主体企业；反之，若返回结果是0，则判断“同花顺”是该篇新闻的媒体企业。
进一步地，在本实施例中，所述训练样本的特征信息包括，但不限于：某类新闻中的文档数量(D)、训练样本中总的文档数量(A)、某类新闻下文档 中的词汇频数(F)、某类新闻中总的词汇数量(W)。
步骤S32，获取待预测新闻文档(包括标题和正文)，识别出该待预测新闻文档中的企业名称(识别为主体)，并根据提取的训练样本的特征信息，分别计算该待预测新闻文档属于第一类新闻的概率p1和属于第二类新闻的概率p2。在本实施例中，可以通过关键词识别出该待预测新闻文档中的企业名称，也可以通过分词算法(如HanLP算法)获取分词的词汇，并识别出该待预测新闻文档中的企业名称。
优选地，在本实施例中，文档T属于某类新闻C的概率＝训练样本(或文档空间)随机抽取一个文档T属于某类新闻C的概率×某类新闻C下文档中的词汇频数与总词汇的比例。
具体而言，该待预测新闻文档属于第一类新闻的概率p1＝训练样本(或文档空间)随机抽取一个文档属于第一类新闻的概率×第一类新闻下文档中的词汇频数与总词汇之间的比值，即p1＝第一类新闻中的文档数量与训练样本中总的文档数量之间的比值乘以第一类新闻下文档中的词汇频数与第一类新闻中总的词汇数量之间的比值。举例而言，假设D1代表第一类新闻中的文档数量、A代表训练样本中总的文档数量、F1代表第一类新闻下文档中的词汇频数、W1代表第一类新闻中总的词汇数量，则p1＝(D1/A)×(F1/W1)。
同理，该待预测新闻文档属于第二类新闻的概率p2＝训练样本(或文档空间)随机抽取一个文档属于第二类新闻的概率×第二类新闻下文档中的词汇频数与总词汇之间的比值，即p2＝第二类新闻中的文档数量与训练样本中总的文档数量之间的比值乘以第二类新闻下文档中的词汇频数与第二类新闻中总的词汇数量之间的比值。举例而言，假设D2代表第二类新闻中的文档数量、A代表训练样本中总的文档数量、F2代表第二类新闻下文档中的词汇频数、W2代表第二类新闻中总的词汇数量，则p2＝(D2/A)×(F2/W2)。
步骤S33，根据所述计算出的第一类新闻概率p1和第二类新闻概率p2的大小，确定该待预测新闻文档中识别出的企业名称属于第一类企业名称(如主体企业)或是第二类企业名称(如媒体企业)。其中，第一类企业名称作为主体企业(即被报道的企业)在该篇新闻中出现，第二类企业名称作为媒体企业(即报道该新闻的媒体企业)在该篇新闻中出现。
优选地，在本实施例中，所述确定该待预测新闻文档中识别出的企业名称属于第一类企业名称或是第二类企业名称包括：
若所述计算出的第一类新闻概率p1大于或等于第二类新闻概率p2，则确定该待预测新闻文档中识别出的企业名称属于第一类企业名称(如主体企业)；
若所述计算出的第一类新闻概率p1小于第二类新闻概率p2，则确定该待 预测新闻文档中识别出的企业名称属于第二类企业名称(如媒体企业)。
进一步地，在其它实施例中，可以将上述确定出的企业名称类别返回至其它应用接口调用，形成反馈机制。
通过上述步骤S31-S33，本申请所提出的新闻主体企业识别方法，通过对识别出的企业名称进一步确定其属于主体企业还是媒体企业，提升了新闻主体企业识别的准确率，例如，可以将本申请应用在企业关系图谱中企业节点的发散，提升关系网络的企业节点识别的准确率，同时也可以提高产品的质量以及客户的体验。
进一步地，为实现上述目的，本申请还提供一种计算机可读存储介质(如ROM/RAM、磁碟、光盘)，所述计算机可读存储介质存储有新闻主体企业识别系统20，所述新闻主体企业识别系统20可被至少一个处理器22执行，以使所述至少一个处理器22执行如上所述的新闻主体企业识别方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件来实现，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
以上参照附图说明了本申请的优选实施例，并非因此局限本申请的权利范围。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。另外，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本领域技术人员不脱离本申请的范围和实质，可以有多种变型方案实现本申请，比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (20)

  1. 一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的新闻主体企业识别系统，所述新闻主体企业识别系统被所述处理器执行时实现如下步骤：
    通过预定的训练模型对收集的训练样本进行迭代训练，提取该训练样本的特征信息；
    获取待预测新闻文档，识别出该待预测新闻文档中的企业名称，并根据提取的训练样本的特征信息，分别计算该待预测新闻文档属于第一类新闻的概率和属于第二类新闻的概率；及
    根据所述计算出的第一类新闻概率和第二类新闻概率的大小，确定该待预测新闻文档中识别出的企业名称属于第一类企业名称或是第二类企业名称。
  2. 如权利要求1所述的电子设备，其特征在于，所述训练样本的特征信息包括：某类新闻中的文档数量、训练样本中总的文档数量、某类新闻下文档中的词汇频数、及某类新闻中总的词汇数量。
  3. 如权利要求2所述的电子设备，其特征在于，文档属于某类新闻的概率＝训练样本随机抽取一个文档属于某类新闻的概率×某类新闻下文档中的词汇频数与总词汇的比例。
  4. 如权利要求2或3所述的电子设备，其特征在于，该待预测新闻文档属于第一类新闻的概率＝第一类新闻中的文档数量与训练样本中总的文档数量之间的比值乘以第一类新闻下文档中的词汇频数与第一类新闻中总的词汇数量之间的比值；及
    该待预测新闻文档属于第二类新闻的概率＝第二类新闻中的文档数量与训练样本中总的文档数量之间的比值乘以第二类新闻下文档中的词汇频数与第二类新闻中总的词汇数量之间的比值。
  5. 如权利要求1所述的电子设备，其特征在于，所述确定该待预测新闻文档中识别出的企业名称属于第一类企业名称或是第二类企业名称包括：
    若所述计算出的第一类新闻概率大于或等于第二类新闻概率，则确定该待预测新闻文档中识别出的企业名称属于第一类企业名称；及
    若所述计算出的第一类新闻概率小于第二类新闻概率，则确定该待预测新闻文档中识别出的企业名称属于第二类企业名称。
  6. 一种新闻主体企业识别方法，应用于电子设备，其特征在于，所述方法包括：
    通过预定的训练模型对收集的训练样本进行迭代训练，提取该训练样本的特征信息；
    获取待预测新闻文档，识别出该待预测新闻文档中的企业名称，并根据提取的训练样本的特征信息，分别计算该待预测新闻文档属于第一类新闻的概率和属于第二类新闻的概率；及
    根据所述计算出的第一类新闻概率和第二类新闻概率的大小，确定该待预测新闻文档中识别出的企业名称属于第一类企业名称或是第二类企业名称。
  7. 如权利要求6所述的新闻主体企业识别方法，其特征在于，所述训练样本的特征信息包括：某类新闻中的文档数量、训练样本中总的文档数量、某类新闻下文档中的词汇频数、及某类新闻中总的词汇数量。
  8. 如权利要求7所述的新闻主体企业识别方法，其特征在于，文档属于某类新闻的概率＝训练样本随机抽取一个文档属于某类新闻的概率×某类新闻下文档中的词汇频数与总词汇的比例。
  9. 如权利要求7或8所述的新闻主体企业识别方法，其特征在于，该待预测新闻文档属于第一类新闻的概率＝第一类新闻中的文档数量与训练样本中总的文档数量之间的比值乘以第一类新闻下文档中的词汇频数与第一类新闻中总的词汇数量之间的比值；及
    该待预测新闻文档属于第二类新闻的概率＝第二类新闻中的文档数量与训练样本中总的文档数量之间的比值乘以第二类新闻下文档中的词汇频数与第二类新闻中总的词汇数量之间的比值。
  10. 如权利要求6所述的新闻主体企业识别方法，其特征在于，所述确定该待预测新闻文档中识别出的企业名称属于第一类企业名称或是第二类企业名称包括：
    若所述计算出的第一类新闻概率大于或等于第二类新闻概率，则确定该待预测新闻文档中识别出的企业名称属于第一类企业名称；及
    若所述计算出的第一类新闻概率小于第二类新闻概率，则确定该待预测新闻文档中识别出的企业名称属于第二类企业名称。
  11. 一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有新闻主体企业识别系统，所述新闻主体企业识别系统可被至少一个处理器执行，以使所述至少一个处理器执行如下步骤：
    通过预定的训练模型对收集的训练样本进行迭代训练，提取该训练样本的特征信息；
    获取待预测新闻文档，识别出该待预测新闻文档中的企业名称，并根据 提取的训练样本的特征信息，分别计算该待预测新闻文档属于第一类新闻的概率和属于第二类新闻的概率；及
    根据所述计算出的第一类新闻概率和第二类新闻概率的大小，确定该待预测新闻文档中识别出的企业名称属于第一类企业名称或是第二类企业名称。
  12. 如权利要求11所述的计算机可读存储介质，其特征在于，所述训练样本的特征信息包括：某类新闻中的文档数量、训练样本中总的文档数量、某类新闻下文档中的词汇频数、及某类新闻中总的词汇数量。
  13. 如权利要求12所述的计算机可读存储介质，其特征在于，文档属于某类新闻的概率＝训练样本随机抽取一个文档属于某类新闻的概率×某类新闻下文档中的词汇频数与总词汇的比例。
  14. 如权利要求12或13所述的计算机可读存储介质，其特征在于，该待预测新闻文档属于第一类新闻的概率＝第一类新闻中的文档数量与训练样本中总的文档数量之间的比值乘以第一类新闻下文档中的词汇频数与第一类新闻中总的词汇数量之间的比值；及
    该待预测新闻文档属于第二类新闻的概率＝第二类新闻中的文档数量与训练样本中总的文档数量之间的比值乘以第二类新闻下文档中的词汇频数与第二类新闻中总的词汇数量之间的比值。
  15. 如权利要求11所述的计算机可读存储介质，其特征在于，所述确定该待预测新闻文档中识别出的企业名称属于第一类企业名称或是第二类企业名称包括：
    若所述计算出的第一类新闻概率大于或等于第二类新闻概率，则确定该待预测新闻文档中识别出的企业名称属于第一类企业名称；及
    若所述计算出的第一类新闻概率小于第二类新闻概率，则确定该待预测新闻文档中识别出的企业名称属于第二类企业名称。
  16. 一种新闻主体企业识别系统，其特征在于，所述新闻主体企业识别系统可被至少一个处理器执行，以使所述至少一个处理器执行如下步骤：
    通过预定的训练模型对收集的训练样本进行迭代训练，提取该训练样本的特征信息；
    获取待预测新闻文档，识别出该待预测新闻文档中的企业名称，并根据提取的训练样本的特征信息，分别计算该待预测新闻文档属于第一类新闻的概率和属于第二类新闻的概率；及
    根据所述计算出的第一类新闻概率和第二类新闻概率的大小，确定该待预测新闻文档中识别出的企业名称属于第一类企业名称或是第二类企业名 称。
  17. 如权利要求16所述的新闻主体企业识别系统，其特征在于，所述训练样本的特征信息包括：某类新闻中的文档数量、训练样本中总的文档数量、某类新闻下文档中的词汇频数、及某类新闻中总的词汇数量。
  18. 如权利要求17所述的新闻主体企业识别系统，其特征在于，文档属于某类新闻的概率＝训练样本随机抽取一个文档属于某类新闻的概率×某类新闻下文档中的词汇频数与总词汇的比例。
  19. 如权利要求17或18所述的新闻主体企业识别系统，其特征在于，该待预测新闻文档属于第一类新闻的概率＝第一类新闻中的文档数量与训练样本中总的文档数量之间的比值乘以第一类新闻下文档中的词汇频数与第一类新闻中总的词汇数量之间的比值；及
    该待预测新闻文档属于第二类新闻的概率＝第二类新闻中的文档数量与训练样本中总的文档数量之间的比值乘以第二类新闻下文档中的词汇频数与第二类新闻中总的词汇数量之间的比值。
  20. 如权利要求16所述的新闻主体企业识别系统，其特征在于，所述确定该待预测新闻文档中识别出的企业名称属于第一类企业名称或是第二类企业名称包括：
    若所述计算出的第一类新闻概率大于或等于第二类新闻概率，则确定该待预测新闻文档中识别出的企业名称属于第一类企业名称；及
    若所述计算出的第一类新闻概率小于第二类新闻概率，则确定该待预测新闻文档中识别出的企业名称属于第二类企业名称。
PCT/CN2017/108812 2017-08-31 2017-10-31 新闻主体企业识别方法、电子设备及计算机可读存储介质 WO2019041529A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710775033.7 2017-08-31
CN201710775033.7A CN107688564A (zh) 2017-08-31 2017-08-31 新闻主体企业识别方法、电子设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
WO2019041529A1 true WO2019041529A1 (zh) 2019-03-07

Family

ID=61155049

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2017/108812 WO2019041529A1 (zh) 2017-08-31 2017-10-31 新闻主体企业识别方法、电子设备及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN107688564A (zh)
WO (1) WO2019041529A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446335B (zh) * 2018-09-18 2024-05-03 平安科技（深圳）有限公司 新闻主体判定的方法、装置、计算机设备和存储介质
CN111339319B (zh) * 2020-03-02 2023-08-04 北京百度网讯科技有限公司 一种企业名的消歧方法、装置、电子设备及存储介质
CN111460140A (zh) * 2020-03-05 2020-07-28 拉扎斯网络科技（上海）有限公司 数据处理方法、装置、电子设备及计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184262A (zh) * 2011-06-15 2011-09-14 悠易互通（北京）广告有限公司 基于web的文本分类挖掘系统及方法
CN105320645A (zh) * 2015-09-24 2016-02-10 天津海量信息技术有限公司 中文企业名称的识别方法
CN105955952A (zh) * 2016-05-03 2016-09-21 成都数联铭品科技有限公司 一种基于双向递归神经网络的信息提取方法
CN105975456A (zh) * 2016-05-03 2016-09-28 成都数联铭品科技有限公司 一种企业实体名称分析识别系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7716226B2 (en) * 2005-09-27 2010-05-11 Patentratings, Llc Method and system for probabilistically quantifying and visualizing relevance between two or more citationally or contextually related data objects
CN103970801B (zh) * 2013-02-05 2019-03-26 腾讯科技（深圳）有限公司 微博广告博文识别方法及装置
CN104408093B (zh) * 2014-11-14 2018-01-26 中国科学院计算技术研究所 一种新闻事件要素抽取方法与装置
CN105975491A (zh) * 2016-04-26 2016-09-28 重庆誉存企业信用管理有限公司 企业新闻分析方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184262A (zh) * 2011-06-15 2011-09-14 悠易互通（北京）广告有限公司 基于web的文本分类挖掘系统及方法
CN105320645A (zh) * 2015-09-24 2016-02-10 天津海量信息技术有限公司 中文企业名称的识别方法
CN105955952A (zh) * 2016-05-03 2016-09-21 成都数联铭品科技有限公司 一种基于双向递归神经网络的信息提取方法
CN105975456A (zh) * 2016-05-03 2016-09-28 成都数联铭品科技有限公司 一种企业实体名称分析识别系统

Also Published As

Publication number Publication date
CN107688564A (zh) 2018-02-13

Similar Documents

Publication Publication Date Title
CN107844634B (zh) 多元通用模型平台建模方法、电子设备及计算机可读存储介质
CN109189888B (zh) 电子装置、侵权分析的方法及存储介质
WO2019075970A1 (zh) 表格信息换行识别方法、电子设备及计算机可读存储介质
US10650274B2 (en) Image clustering method, image clustering system, and image clustering server
CN107679084B (zh) 聚类标签生成方法、电子设备及计算机可读存储介质
CN112162965B (zh) 一种日志数据处理的方法、装置、计算机设备及存储介质
WO2019075968A1 (zh) 表格信息跨页识别方法、电子设备及计算机可读存储介质
WO2019196304A1 (zh) 电子装置、征信反馈报文的解析方法及存储介质
WO2019061990A1 (zh) 用户意图预测方法、电子设备及计算机可读存储介质
CN110705235B (zh) 业务办理的信息录入方法、装置、存储介质及电子设备
CN110704521A (zh) 接口数据接入方法及系统
WO2019075967A1 (zh) 企业名称识别方法、电子设备及计算机可读存储介质
US11720481B2 (en) Method, apparatus and computer program product for predictive configuration management of a software testing system
CN110389941B (zh) 数据库校验方法、装置、设备及存储介质
WO2019041529A1 (zh) 新闻主体企业识别方法、电子设备及计算机可读存储介质
WO2019041528A1 (zh) 新闻情感方向判断方法、电子设备及计算机可读存储介质
US20170109697A1 (en) Document verification
CN112416972A (zh) 实时数据流处理方法、装置、设备、及可读存储介质
CN113535677B (zh) 数据分析查询管理方法、装置、计算机设备及存储介质
CN110704699A (zh) 数据画像的构建方法、装置、计算机设备及存储介质
CN111966339B (zh) 埋点参数的录入方法、装置、计算机设备和存储介质
WO2019071907A1 (zh) 基于操作页面识别帮助信息的方法及应用服务器
CN112363814A (zh) 任务调度方法、装置、计算机设备及存储介质
CN110866007B (zh) 大数据应用和表的信息管理方法、系统和计算机设备
CN109977423B (zh) 一种生词处理方法、装置、电子设备和可读存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17923036

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 09/10/2020)

122 Ep: pct application non-entry in european phase

Ref document number: 17923036

Country of ref document: EP

Kind code of ref document: A1