[發(fā)明專利]一種建立審計(jì)專業(yè)詞庫的方法及設(shè)備

在審

• 申請?zhí)枺?/td>: 202110797261.0
• 申請日: 2021-07-14
• 公開（公告）號(hào): CN113536787A
• 公開（公告）日: 2021-10-22
• 發(fā)明（設(shè)計(jì)）人: 王秋琳;鄭略省;呂世雷;張萍;莊莉;梁懿
• 申請（專利權(quán)）人: 福建億榕信息技術(shù)有限公司;國網(wǎng)信息通信產(chǎn)業(yè)集團(tuán)有限公司;國網(wǎng)信通億力科技有限責(zé)任公司
• 主分類號(hào): G06F40/289
• 分類號(hào): G06F40/289;G06F40/237
• 代理公司: 福州科揚(yáng)專利事務(wù)所(普通合伙) 35001
• 代理人: 李曉芬

1.一種建立審計(jì)專業(yè)詞庫的方法，其特征在于，包括如下步驟：

S1、獲取審計(jì)相關(guān)文檔；

S2、對所述審計(jì)相關(guān)文檔進(jìn)行預(yù)處理；

S3、根據(jù)非審計(jì)專業(yè)詞庫，對預(yù)處理后的審計(jì)相關(guān)文檔進(jìn)行分詞并去除停用詞，得到若干個(gè)獨(dú)立詞；

S4、通過2-gram分詞算法，對若干個(gè)獨(dú)立詞進(jìn)行拼接，得到若干個(gè)拼接詞；

S5、分別計(jì)算各所述拼接詞的詞頻、自由度；

S6、預(yù)設(shè)第一閾值、第二閾值；將詞頻超過第一閾值且自由度超過第二閾值的拼接詞作為新詞存入審計(jì)專業(yè)詞庫。

2.根據(jù)權(quán)利要求1所述的一種建立審計(jì)專業(yè)詞庫的方法，其特征在于，步驟S6還包括，通過人工進(jìn)一步審核新詞；將通過審核的新詞存入審計(jì)專業(yè)詞庫。

3.根據(jù)權(quán)利要求1所述的一種建立審計(jì)專業(yè)詞庫的方法，其特征在于，步驟S6還包括，將詞頻不超過第一閾值或自由度不超過第二閾值的拼接詞作為停用詞存入非審計(jì)專業(yè)詞庫。

4.根據(jù)權(quán)利要求3所述的一種建立審計(jì)專業(yè)詞庫的方法，其特征在于，所述預(yù)處理具體為：使用POI工具或Tika工具，將非結(jié)構(gòu)化文檔轉(zhuǎn)換為結(jié)構(gòu)化文檔。

5.根據(jù)權(quán)利要求4所述的一種建立審計(jì)專業(yè)詞庫的方法，其特征在于，步驟S5中，計(jì)算拼接詞的自由度的具體步驟為:

預(yù)設(shè)第三閾值；計(jì)算所述拼接詞內(nèi)部的互信息；

計(jì)算互信息大于第三閾值的拼接詞的自由度：

預(yù)設(shè)第四閾值；

計(jì)算互信息大于第三閾值的拼接詞的左鄰居信息熵，若所述左鄰居信息熵不超過第四閾值，則繼續(xù)向左擴(kuò)展計(jì)算下一左鄰居信息熵，直至達(dá)到最左邊界處或一左鄰居信息熵超過第四閾值，記該超過第四閾值的左鄰居信息熵為第一標(biāo)度值；

計(jì)算所有含有第一標(biāo)度值的拼接詞的右鄰居信息熵，若所述右鄰居信息熵不超過第四閾值，則繼續(xù)向右擴(kuò)展計(jì)算下一右鄰居信息熵；直至達(dá)到最右邊界處或右鄰居信息熵超過第四閾值，記該超過第四閾值的右鄰居信息熵為第二標(biāo)度值；

取第一標(biāo)度值、第二標(biāo)度值中的較小者為對應(yīng)拼接詞的自由度。

6.一種審計(jì)專業(yè)詞庫建立設(shè)備，其特征在于，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有指令，所述指令適于由處理器加載并執(zhí)行如權(quán)利要求1-5任一權(quán)利要求所述的一種建立審計(jì)專業(yè)詞庫的方法。