短文本數(shù)據(jù)聚合模型的理論與應(yīng)用研究.pdf

1、中國銀聯(lián)(China UnionPay)通過為商家客戶提供刷卡支付服務(wù)，可以直接獲得大量商戶的基本信息，這些信息包括商戶名稱，商戶類型，地理位置，交易額等，稱之為“內(nèi)部商戶數(shù)據(jù)”；同時(shí)商戶在互聯(lián)網(wǎng)上也會(huì)有一些諸如商圈，評(píng)分，人氣等信息，這些信息被稱之為“外部商戶數(shù)據(jù)”。如果將某個(gè)商戶的基本信息與該商戶在互聯(lián)網(wǎng)上的社會(huì)信息進(jìn)行關(guān)聯(lián)，就可以實(shí)現(xiàn)對這個(gè)商戶信息的補(bǔ)全，這個(gè)關(guān)聯(lián)的過程稱為商戶信息的聚合。由于商戶的名稱是內(nèi)外部商戶進(jìn)行關(guān)聯(lián)的主要依

2、據(jù)，但待聚合的內(nèi)外部商戶名稱都是中文短文本，而且多數(shù)都存在一定的差異，因此，需要通過文本挖掘技術(shù)將內(nèi)外部商戶進(jìn)行關(guān)聯(lián)和匹配，將名稱不完全相同但屬于同一家商戶的內(nèi)外部商戶信息準(zhǔn)確地聚合在一起；同時(shí)，也要避免將那些看起來相似但其實(shí)并不屬于同一商戶的數(shù)據(jù)對進(jìn)行關(guān)聯(lián)配對。這種通過商戶名稱進(jìn)行實(shí)體關(guān)聯(lián)的過程也稱為實(shí)體命名歸一化。綜上所述，如何通過計(jì)算機(jī)的自動(dòng)文本關(guān)聯(lián)實(shí)現(xiàn)有效的內(nèi)外部商戶數(shù)據(jù)聚合成為了一項(xiàng)具有挑戰(zhàn)性的研究課題。課題的主要研究內(nèi)容分為

3、理論研究和應(yīng)用研究兩部分：
　　(1)在相似度匹配算法上展開基礎(chǔ)創(chuàng)新工作，通過研究大量的經(jīng)典相似度算法，提出了新的相似度匹配算法——“廣義Jaro-Winkler算法”。該算法結(jié)合了Jaro-Winkler算法、短語相似度算法、Levenshtein算法的優(yōu)勢，考慮了前綴、位序、間隔、長度等因素，針對短文本的匹配效果比其他經(jīng)典相似度匹配算法更有優(yōu)勢。
　　(2)開展了大量“短文本數(shù)據(jù)聚合模型的理論與應(yīng)用”的研究工作，并提出了

4、一套完整的短文本數(shù)據(jù)聚合模型。在研究中，針對數(shù)據(jù)量大可能導(dǎo)致的聚合效率低的情形，我們提出了“以倒排索引為基礎(chǔ)的快速匹配”的過濾框架，通過快速匹配過程可以在盡可能短的時(shí)間內(nèi)得到可能的候選對象，以此來提高聚合效率；同時(shí)，針對中文短文本匹配精度低的情形，我們對數(shù)據(jù)集進(jìn)行了大量的樣本分析，并發(fā)現(xiàn)了商戶匹配可能存在的典型匹配情形，并用新提出的“廣義 Jaro-Winkler算法為基礎(chǔ)的精細(xì)匹配”的驗(yàn)證框架，以此來提高聚合準(zhǔn)確率。我們選擇了6個(gè)相似

5、度匹配算法在真實(shí)的商戶數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明我們提出的短文本數(shù)據(jù)聚合模型切實(shí)可行，新算法的泛化能力和穩(wěn)定性相比其他算法都要好。
　　綜上所述，本文不僅在相似度聚合算法上進(jìn)行了理論上的創(chuàng)新工作，提出了廣義Jaro-Winkler算法，還結(jié)合了中國銀聯(lián)在內(nèi)外部商戶信息聚合的具體場景提出了“短文本數(shù)據(jù)聚合模型”，并且通過大量的實(shí)驗(yàn)驗(yàn)證了文中所提出的算法和模型的有效性和穩(wěn)定性。本文的研究豐富了文本挖掘領(lǐng)域，并在實(shí)體命名歸一化方向