短文本數(shù)據(jù)聚合模型的理論與應用研究.pdf

1、中國銀聯(lián)(China UnionPay)通過為商家客戶提供刷卡支付服務，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“內部商戶數(shù)據(jù)”；同時商戶在互聯(lián)網(wǎng)上也會有一些諸如商圈，評分，人氣等信息，這些信息被稱之為“外部商戶數(shù)據(jù)”。如果將某個商戶的基本信息與該商戶在互聯(lián)網(wǎng)上的社會信息進行關聯(lián)，就可以實現(xiàn)對這個商戶信息的補全，這個關聯(lián)的過程稱為商戶信息的聚合。由于商戶的名稱是內外部商戶進行關聯(lián)的主要依

2、據(jù)，但待聚合的內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將內外部商戶進行關聯(lián)和匹配，將名稱不完全相同但屬于同一家商戶的內外部商戶信息準確地聚合在一起；同時，也要避免將那些看起來相似但其實并不屬于同一商戶的數(shù)據(jù)對進行關聯(lián)配對。這種通過商戶名稱進行實體關聯(lián)的過程也稱為實體命名歸一化。綜上所述，如何通過計算機的自動文本關聯(lián)實現(xiàn)有效的內外部商戶數(shù)據(jù)聚合成為了一項具有挑戰(zhàn)性的研究課題。課題的主要研究內容分為

3、理論研究和應用研究兩部分：
　　(1)在相似度匹配算法上展開基礎創(chuàng)新工作，通過研究大量的經典相似度算法，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)量大可能導致的聚合效率低的情形，我們提出了“以倒排索引為基礎的快速匹配”的過濾框架，通過快速匹配過程可以在盡可能短的時間內得到可能的候選對象，以此來提高聚合效率；同時，針對中文短文本匹配精度低的情形，我們對數(shù)據(jù)集進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算法為基礎的精細匹配”的驗證框架，以此來提高聚合準確率。我們選擇了6個相似

5、度匹配算法在真實的商戶數(shù)據(jù)集上進行了實驗。實驗結果表明我們提出的短文本數(shù)據(jù)聚合模型切實可行，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行了理論上的創(chuàng)新工作，提出了廣義Jaro-Winkler算法，還結合了中國銀聯(lián)在內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”，并且通過大量的實驗驗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域，并在實體命名歸一化方向