[发明专利]一种基于统计学的企业名名称相似度检测方法

权利要求书

1.一种基于统计学的企业名名称相似度检测方法，其特征在于，包括如下步骤：

S1、对企业名称进行中文分词，得到分词结果；

S2、统计全网企业名称热词，从而建立停用词库；

S3、将所述分词结果遍历所述停用词库，剔除遍历过程中匹配到所述停用词库中热词的分词，从而得到关键词；

S4、将所述关键词与全网企业名称进行匹配，并将匹配对应的企业名称进行统计，建立待对比名称库；

S5、对企业名称和待检验名称库内各名称进行相似度计算。

2.根据权利要求1所述的一种基于统计学的企业名名称相似度检测方法，其特征在于：步骤S1中，所述中文分词通过IKAnalyzer分词器、word分词器、Ansj分词器或Stanford分词器中的一种进行中文分词处理。

3.根据权利要求1所述的一种基于统计学的企业名名称相似度检测方法，其特征在于：步骤S2中，全网企业名称热词的确定方法包括：

S201、从全网企业名称中随机抽取样本集；

S202、对样本集内各名称进行分词处理；

S203、对S202中分词处理的各分词进行词频分析；

S204、设立热词阀值，保留出现词频高于阈值的分词并构成停用词库。

4.根据权利要求3所述的一种基于统计学的企业名名称相似度检测方法，其特征在于：所述词频分析方法采用TF-DF值进行确定，其中，所述TF分词出现数量/总分词数量，所述DF＝包含分词的名称数/样本总数，则每个分词的TF-DF值为TF*DF*100％，并取TF-DF值大于热词阈值的分词建立停用词库。

5.根据权利要求1所述的一种基于统计学的企业名名称相似度检测方法，其特征在于：步骤S3中，得到关键词的剔除方法将企业名称分词遍历停用词库，当遍历中匹配车成功后对此分词进行替空操作，未匹配成功的分词自动保存，对企业名称分词依次进行，从而最终得到关键词。

6.根据权利要求1所述的一种基于统计学的企业名名称相似度检测方法，其特征在于：步骤S5中，所述相似度计算采用Dice系数法，其计算公式为

其中，X表示需要检测的企业名称，Y表示待对比名称库内任意名称，|X∩Y|表示X和Y中相同关键词字符个数，|X|和|Y|分别表示X和Y的整体字符串长度。

7.根据权利要求1所述的一种基于统计学的企业名名称相似度检测方法，其特征在于：步骤S5计算出相似度后，设立相似度阀值，将所述待对比名称库内超过相似度阀值的名称进行提取，并按照名称-相似度格式进行检测结果输出。