[发明专利]一种基于词向量的企业所属新兴产业分类方法

说明书

本发明提出了一种基于词向量的企业所属新兴产业分类方法。本发明获得输入的新兴产业，根据其名称在互联网上获得相关信息；根据新兴产业相关信息利用Textrank算法，获得其候选关键词；根据候选关键词利用K‑means算法聚类获得新兴产业聚类关键词；从官网获取企业经营范围，根据经营范围得到企业经营词库；根据企业经营词库，扩展新兴产业聚类关键词，得到新兴产业关键词词库；根据企业经营词库，获得词语的逆文档频率权重；根据待分类企业经营范围与新兴产业关键词词库，依次得到基础评估分数、综合评估分数和企业分类分数；根据企业分类分数，得到企业所属新兴产业分类结果。本发明优点在，无需人工标注、无需训练、准确率高，并且可对新增新兴产业分类。

技术领域

本发明属于自然语言处理技术领域，尤其涉及一种基于词向量的企业所属新兴产业分类方法。

背景技术

在进行企业与产业联系的分析中，人工将企业分类到对应企业是一件费时费力的事情，尤其是在面对大量需要分类的企业样本时和出现缺乏相关分类经验的新兴产业的时候。所有企业都有经营范围，并且经营范围可以体现出企业所属产业，使用经营范围对企业所属产业归类进行分析。经营范围与产业都是由词语组成，并且这些同一经营范围或同一产业的词语之间存在相似性，因此可以采用词向量之间的距离作为词语相似度的衡量标准。

在进行算法研究中，发现适当的引入外部参数，包括使用产业描述信息作为补充知识、使用词语逆文档频率和词语词性作为词语权重，可以取得更好的分类结果。除此外，采用无监督的算法可以节省对于大量样本标注的时间和人力成本。综上，基于对加速企业分类，提高分析效率的考虑，发明了一种基于词向量的企业所属新兴产业分类方法。

在现有的发明技术中，如公开号CN110019769的专利申请公开一种智能企业分类方法，里面使用了基于SVM(支持向量机)的有监督分类方法，此类方法有如下短板：需要人工给大量的样本预先进行标注，并且需要对模型进行一定时间的训练。该方法不具备对新兴产业分类的能力，对于有新的标签出现时，需要大量时间重新进行训练，并且在使用时需要部署预先训练完成的网络，对计算机算力要求较高。

发明内容

本发明旨在对企业与产业相关分析时提供一种对于企业所属新兴产业快速准确的分类方法，鉴于已有的发明需要人工标注大量数据和大量时间进行模型训练，并且无法拓展新兴产业，因此本发明提出了一种无需人工标注、无需训练、适应性强、准确率高、可拓展性强的的基于词向量的企业所属新兴产业分类方法。

本发明所采用的技术方案是：一种基于词向量的企业所属新兴产业分类方法，其特征在于，包括以下步骤：

步骤1：获得输入的新兴产业，根据新兴产业的名称在互联网上获得相关信息；根据新兴产业相关信息利用Textrank算法得到候选关键词，获得新兴产业的候选关键词；根据候选关键词利用K-means算法聚类获得新兴产业聚类关键词；

步骤2：从官方网站获取企业经营范围，根据企业经营范围得到企业经营词库；根据企业经营词库，对新兴产业聚类关键词进行扩展，得到新兴产业关键词词库；

步骤3：根据企业经营词库，获得词语的逆文档频率权重；

步骤4：根据待分类企业经营范围与新兴产业关键词词库，得到基础评估分数；根据基础评估分数，得到综合评估分数；根据综合评估分数，得到企业分类分数；根据企业分类分数，得到企业所属新兴产业分类结果；

作为优选，步骤1所述新兴产业为：

Ind_p

p∈[1,M]

其中，Ind_p表示第p个新兴产业的名称，M表示新兴产业的数量；

步骤1所述根据新兴产业的名称在互联网上获得相关信息：