申请/专利权人：上交所技术有限责任公司

申请日：2023-07-19

公开（公告）日：2023-11-07

公开（公告）号：CN117009519A

主分类号：G06F16/35

分类号：G06F16/35;G06F16/33;G06F16/951

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.11.24#实质审查的生效;2023.11.07#公开

摘要：本发明涉及行业分类领域，具体来说是一种基于词袋模型的企业挂靠产业方法，所述方法具体如下：S1词袋语料的获取，利用爬虫提取战略性新兴产业分类文件并构建初始词袋的语料，待匹配词袋的语料库同样利用爬虫取自新招股说明书的该部分文本；S2词袋的构建，使用LTP中文分词工具对语料库分词，然后通过基于正则表达式、词性标注和停用词库的规则筛选分词结果，得到基于已有文件的初始行业词袋和根据新文件生成的待匹配词袋。本发明同现有技术相比，其优点在于：本发明对样本的要求不高，不需要大量企业挂靠行业的标注数据；本发明随着科创板上市企业的增加，该方案中建立的词袋会随之自动迭代更新，逐渐提高挂靠准确率。

主权项：1.一种基于词袋模型的企业挂靠产业方法，其特征在于所述方法具体如下：S1词袋语料的获取，利用爬虫提取战略性新兴产业分类文件并构建初始词袋的语料，待匹配词袋的语料库同样利用爬虫取自新招股说明书的该部分文本；S2词袋的构建，使用LTP中文分词工具对语料库分词，然后通过基于正则表达式、词性标注和停用词库的规则筛选分词结果，得到基于已有文件的初始行业词袋和根据新文件生成的待匹配词袋；S3根据词袋生成词袋向量，假设某一行业的初始词袋WordBag1包含k个词汇{word11,word12,...,word1k}，每个词汇的词频为{num11,num12,...,num1k}。现对某拟上市企业的新招股说明书分词筛选处理后，得到待匹配词袋WordBag0，该词袋包含m个词汇{word21,word22,...,word2m}，每个词汇的词频为{num21,num22,...,num2m}；S3.1先将WordBag1与WordBag0合并后去重，得到两个词袋的并集WordBagall。不妨设这个并集包含n个词汇{word31,word32,...,word3n}，其中n≥k且n≥m，并集词袋向量表示为Vecall＝[word31,word32,...,word3n]；S3.2WordBag1和WordBag0作为这个并集的两个子集，各包含有该并集中的部分词汇。对于WordBag1，在Vecall中使用的词频填充替换对应位置的词汇，得到n维词袋向量Vecbag1＝[num11,...,0,...,num1k,...,0,...]；对于WordBag0，在Vecall中使用1填充替换对应位置的词汇，在Vecall中不包含于WordBag0的词汇则用0填充替换，得到n维词袋向量Vecbag0＝[...,1,...,0,...,1,...,0]；S4利用步骤S3提出的词袋向量生成方法，通过计算词袋向量的余弦相似度，将得到待匹配词袋与六大行业初始词袋的相似度结果，最后对结果进行筛选得到挂靠行业结果。

全文数据：

权利要求：

百度查询： 上交所技术有限责任公司 一种基于词袋模型的企业挂靠产业方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD