[发明专利]基于互联网信息抓取的企业业务标签挖掘的方法和系统

权利要求书

1.一种基于互联网信息抓取的企业业务标签挖掘的方法，其特征在于，包括以下步骤：

(1)给定一个公司名称，根据该公司名称拼接一系列的搜索关键词，从后台自动抓取互联网搜索结果文本；

(2)对上一步互联网爬取到的搜索结果进行排序，获取最有可能包含企业业务描述的前5条文本；

(3)对段落排序得分最高的前5条结果，进行业务标签抽取；

(4)对于无法直接抽取业务标签的企业，进行业务标签生成。

2.根据权利要求1所述的一种基于互联网信息抓取的企业业务标签挖掘的方法，其特征在于，所述步骤(2)中排序采用的算法为：基于深度学习预训练模型微调的句子对匹配模型，来计算某一条搜索结果包含企业业务描述的得分，根据得分多少来进行排序，并取得分最高的前5条记录。

3.根据权利要求1所述的一种基于互联网信息抓取的企业业务标签挖掘的方法，其特征在于，所述步骤(3)具体为：

(3.1)业务标签抽取采用基于预训练深度学习语言模型BERT，通过训练微调模型；

(3.2)预测整个篇章内容中，每个字作为标签开始位置和结束位置的一个打分；

(3.3)选出一组开始位置和结束位置得分最高的；如果其分值之和比空答案的分值高，则为成功抽取的业务标签，否则表示该篇章文本无法直接抽取业务标签。

4.根据权利要求1所述的一种基于互联网信息抓取的企业业务标签挖掘的方法，其特征在于，步骤(4)中业务标签生成采用基于预训练深度学习语言模型CPT。

5.根据权利要求4所述的一种基于互联网信息抓取的企业业务标签挖掘的方法，其特征在于，所述CPT的具体结构为一个输入，多个输出的非对称transformer encoder-decoder结构，主要包括三个部分：

S-Enc：共享Encoder，双向attention结构，建模输入文本；

U-Dec：理解用Decoder，双向attention结构，输入S-Enc得到的表示，输出MLM的结果，为模型增强理解任务；

G-Dec：生成用Decoder，利用encoder-decoder attention与S-Enc相连，用于生成。

6.一种基于互联网信息抓取的企业业务标签挖掘的系统，其特征在于，所述系统包括以下模块：

爬虫模块：该模块负责互联网信息抓取，即给定一个公司名称，根据该公司名称拼接一系列的搜索关键词，从后台自动抓取互联网搜索结果文本；该模块从百度上爬取互联网信息，并提供给后续的模型训练模块和预测模块；

模型训练模块：使用爬虫模块所爬取的数据，训练文本段落排序模型，业务标签抽取模型和业务标签生成模型；

预测应用模块：根据给定的公司名，调用爬虫模块从百度上爬取该公司的相关信息，并调用模型训练模块所训练出来的段落排序模型、业务标签抽取模型和业务标签生成模型，最终预测出所给定公司的业务标签。

7.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的一种基于互联网信息抓取的企业业务标签挖掘的方法。

8.一种计算机设备，包括储存器、处理器及存储在存储器上并可再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权利要求1-5中任一项所述的一种基于互联网信息抓取的企业业务标签挖掘的方法。