[發明專利]實體相似匹配方法及系統

在審

• 申請號: 202011179405.8
• 申請日: 2020-10-29
• 公開（公告）號: CN112288005A
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 周杰
• 申請（專利權）人: 四川長虹電器股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F16/335;G06F16/31;G06F16/338
• 代理公司: 成都虹橋專利事務所(普通合伙) 51124
• 代理人: 吳中偉

1.實體相似匹配方法，其特征在于，包括以下步驟：

步驟1、初始化實體索引表、字索引表和停用字與高頻字表，所述實體索引表用于存儲所有實體，所述字索引表用于存儲除開停用字與高頻字的所有字與實體的映射關系，所述停用字與高頻字表用于存儲實體中的停用字與高頻字；

步驟2、接收輸入的字符串，根據所述停用字與高頻字表過濾字符串中的停用字與高頻字后，將字符串分割為字符串序列；

步驟3、根據所述字符串序列在字索引表中進行檢索得到檢索結果，對所述檢索結果進行匯總排序，并從中選取前N個檢索結果，所述N為大于1的整數；

步驟4、分別計算選取的N個檢索結果的檢索相似度，從N個檢索結果中選取所述檢索相似度大于預設值的檢索結果；

步驟5、根據所述檢索相似度大于預設值的檢索結果在實體索引表中進行檢索得到對應的實體字符串，從所述實體字符串中確定出相似度最高的目標實體。

2.如權利要求1所述的實體相似匹配方法，其特征在于，步驟1中，所述實體索引表和字索引表使用哈希索引，實體索引表的hashkey為自增數字序列，實體索引表的hashvalue為實體；字索引表的hashkey為字，字索引表的hashvalue為實體索引表的hashvalue的長度。

3.如權利要求1所述的實體相似匹配方法，其特征在于，步驟1中，所述停用字與高頻字表中的停用字與高頻字通過人為經驗和統計方法得到。

4.如權利要求1所述的實體相似匹配方法，其特征在于，步驟3中，所述N為20。

5.如權利要求1所述的實體相似匹配方法，其特征在于，步驟4中，所述檢索相似度的計算方法包括：

設檢索結果為ENT1，L1為檢索到的ENT1的次數，L2為ENT1的長度，則檢索相似度FIND_SIM＝L1/L2。

6.如權利要求5所述的實體相似匹配方法，其特征在于，步驟4中，所述預設值為0.5。

7.如權利要求1所述的實體相似匹配方法，其特征在于，步驟5中，所述從實體字符串中確定出相似度最高的目標實體包括：

使用編輯距離算法或余弦相似度算法計算各實體字符串的相似度，從實體字符串中確定出所述相似度最高的目標實體。

8.實體相似匹配系統，其特征在于，包括：

初始化單元，用于初始化實體索引表、字索引表和停用字與高頻字表，所述實體索引表用于存儲所有實體，所述字索引表用于存儲除開停用字與高頻字的所有字與實體的映射關系，所述停用字與高頻字表用于存儲實體中的停用字與高頻字；

接收單元，用于接收輸入的字符串，根據所述停用字與高頻字表過濾字符串中的停用字與高頻字后，將字符串分割為字符串序列；

檢索單元，用于根據所述字符串序列在字索引表中進行檢索得到檢索結果；以及根據所述檢索相似度大于預設值的檢索結果在實體索引表中進行檢索得到對應的實體字符串；

選取單元，用于對所述檢索結果進行匯總排序，并從中選取前N個檢索結果，所述N為大于1的整數；以及從N個檢索結果中選取檢索相似度大于預設值的檢索結果；

計算單元，用于分別計算選取的N個檢索結果的檢索相似度；以及從所述實體字符串中確定出相似度最高的目標實體。