[发明专利]基于图结构的别名合并及存储方法、系统、终端、介质

说明书

本发明属于数据处理技术领域，公开了一种基于图结构的别名合并及存储方法、系统、终端、介质，创建基础名称节点；挖掘关系，并构建辅助节点；构建边关系，生成图；重复创建基础名称节点、挖掘关系、构建辅助节点、构建边关系、生成图，对关系类型进行扩充；根据业务场景，自主选择关系类型，计算最大联通子图，同一子图即作为一组同名集合。本发明可同时存储多种关系类型，可根据场景自定义选择不同级别关系类型。本发明能够存储多跳关系，本发明关系构建过程回溯。本发明通过关系挖掘，可以不断进行图扩充；根据业务需求，可自由选择不同强度的关系；本发明能够存储多跳关系，通过路径查询，轻松进行关系回溯。

技术领域

本发明属于数据处理技术领域，尤其涉及一种基于图结构的别名合并及存储方法、系统、终端、介质。

背景技术

目前，信息化时代的飞速发展，各类文本信息蜂拥而至，各种渠道均会以其各自的习惯的方式进行文本信息的发布，尽管信息很多，但当对某一企业的信息进行收集整理时，取仍会无法尽数收集，因信息的发布并没有严格的规章制度，并不强制要求与企业工商名称一致，因此书写变更加多样性，不同信息源、不同书写机构、不同书写人均会导致名称不一致，同时存在不同语种的译文情况，因此需要对其进行整理、合并。

以专利信息为例，申请企业名称并不一定同工商信息一致，因此即使是同一企业的专利信息，不同的代理机构，书写也会不同，如：北京***公司、***北京公司、***(北京)公司等，同时，涉及到专利海外布局情况，也会出现英文名称、韩文名称、日文名称等，受限转写时，采用不同的翻译软件，对外文的翻译也会存在出入。

当前常见技术手段如：误拼纠错、基于编辑距离合并、基于同一译文合并、构建多对一名称表等。

以上每种技术手段均有其严重的局限性。误拼纠错、基于编辑距离合并、基于同一译文合并等，均是基于字符级别的相似度进行计算，其置信度并不高，在舆情领域勉强能够接受，但，在一些严肃的场景下，一字之差完全可能就是完全不同的公司，并不适用。构建多对一关系在简单关系下能够满足，但对于多跳关系，在存储上便会遇到信息遗漏的问题，无法清晰回溯关系构建过程。

通过上述分析，现有技术存在的问题及缺陷为：不同合并方法的置信度不一致，无法适用于多个场景，同时在存储上会出现信息遗漏，无法清晰回溯关系构建过程。

解决以上问题及缺陷的难度为：需要考虑多种应用场景不同置信度级别的需求；需要考虑支持灵活的修改(如：方便删除错误关系，增加新关系)；合并过程需要高可解释性

解决以上问题及缺陷的意义为：通过单一系统，同时存储不同置信度的合并关系，满足多种应用场景的使用。减小数据维护成本，仅需维护一份数据即可。

发明内容

针对现有技术存在的问题，本发明提供了一种基于图结构的别名合并及存储方法、系统、终端、介质。

本发明是这样实现的，一种基于图结构的别名合并及存储方法，所述基于图结构的别名合并及存储方法包括：

步骤一，创建基础名称节点；

步骤二，挖掘所述创建基础名称节点之间的关系，构建辅助节点；根据构建的所述辅助节点构建边关系，并生成图；

步骤三，重复生成图步骤，对所述边关系类型进行扩充；

步骤四，根据业务场景，自主选择所述边关系类型，计算最大联通子图，对同一子图作为一组同名集合。

进一步，所述步骤一之前还需进行：收集数据集合，对收集的数据进行清洗，并去除特殊字符以及标点符号。

进一步，所述创建基础名称节点包括：选取清洗后的数据中的关键词或标志词作为基础节点。

进一步，所述创建基础节点后还需进行：基于确定的基础节点，确定节点类型。