[發(fā)明專利]一種基于短文本相似度的稅務(wù)商品編碼分類方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201711085221.3
• 申請日: 2017-11-07
• 公開（公告）號: CN107862046B
• 公開（公告）日: 2019-03-26
• 發(fā)明（設(shè)計）人: 龐勝民;王濤;孫科武;林文輝;高哲;張浩
• 申請（專利權(quán)）人: 寧波愛信諾航天信息有限公司;航天信息股份有限公司
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F17/27
• 代理公司: 寧波高新區(qū)核心力專利代理事務(wù)所(普通合伙) 33273
• 代理人: 袁麗花

1.一種基于短文本相似度的稅務(wù)商品編碼分類方法，其特征在于，包括：

步驟一：獲取樣本數(shù)據(jù)；

步驟二：對樣本數(shù)據(jù)進(jìn)行分詞；

步驟三：獲得擴展詞；

步驟四：計算KL差異熵，以獲得待分類稅務(wù)商品編碼與已有商品編碼類別之間的差異度，根據(jù)所述差異度完成所述分類；

所述步驟四中的計算KL差異熵的具體過程如下：

(1)使用KL散度來描述待分類商品名稱θ_q和已有商品類別θ_c之間的關(guān)系，如公式1所示：

其中V是用到的字典，H是信息熵；

W:商品名稱經(jīng)過分詞后的詞；

CE是經(jīng)過擴展的類別候選集；

θ_q:商品名稱；

θ_c：商品類別；

P(w|θ_q)：某個詞在商品名稱中的概率；

P(w|θ_c)：該詞在所有類別數(shù)據(jù)集中出現(xiàn)的概率；

(2)使用步驟二中分詞后獲得的本體詞來計算P(w|θ_q)，計算過程如公式2所示：

其中，QS是商品名稱經(jīng)過分詞后的短文本詞語集合，tf_w,QS是詞語w在QS中的詞頻；

(3)對公式2進(jìn)行改進(jìn)，如公式3所示：

其中QE是擴展后的詞集合，包括本體詞的擴展詞和縮略詞，μ_Q是平滑系數(shù)；

所述步驟四中的計算KL差異熵的具體過程進(jìn)一步包括如下步驟：

(4)根據(jù)以下公式4計算P(w|θ_c)

其中，CE是經(jīng)過擴展的類別候選集，μ_c是平滑系數(shù)。

2.根據(jù)權(quán)利要求1所述的一種基于短文本相似度的稅務(wù)商品編碼分類方法，其特征在于，所述步驟三中的所述擴展詞包括索引詞和縮略詞。

3.根據(jù)權(quán)利要求1或2所述的一種基于短文本相似度的稅務(wù)商品編碼分類方法，其特征在于，采用期望交叉熵最小原則進(jìn)行μ的迭代，具體步驟如下：

(1)給μ_i賦初始值，假設(shè)μ_i＝0.5

(2)計算1-μ_i和μ_i的期望

其中，P_JM(w|C)是經(jīng)過

平滑處理后的概率；

(3)計算μ_i+1

(4)若|μ_i-μ_i+1|＞ε，則執(zhí)行返回步驟(2)，反之，則終止迭代；其中，ε＝0.01。

4.根據(jù)權(quán)利要求1所述的一種基于短文本相似度的稅務(wù)商品編碼分類方法，其特征在于，所述樣本數(shù)據(jù)是待分類的稅務(wù)商品編碼名稱。