如何高效的提取一个公司名全称中的关键名（如腾讯）？

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

推荐关注

› Meteor

› JSLint - a JavaScript code quality tool

› jsFiddle

› D3.js

› WebStorm

推荐书目

› JavaScript 权威指南第 5 版

› Closure: The Definitive Guide

这是一个创建于 3263 天前的主题，其中的信息可能已经有所发展或是发生改变。

现在一个需求是当用户输入他的公司名称时，判断这个公司的关键名称（如深圳市腾讯计算机系统有限公司，北京市百度信息技术有限公司的核心关键名就是腾讯，百度）；然后到他们给的表里面匹配是否有包含这个关键名称的公司（他们的表都是官方全称，但是怕用户输入的不完全一致）

于是我个人的想法是计算两个词的相似度来解决，但是对于这么多的数据感觉如果拆词一个一个计算会不会很低效率，或者这种需求还能用别的方法解决吗？

xxxx

名称

计算

公司

14 条回复 • 2016-01-20 15:00:03 +08:00

jugelizi

2016-01-18 20:59:23 +08:00

先分词

billlee

2016-01-18 21:28:26 +08:00

如果预先有关键名称的列表，那用 multiple string search 算法就可以了吧？

chlx

2016-01-18 21:30:36 +08:00

keyword: entity recognition

jsq2627

2016-01-18 22:00:14 +08:00

http://bosonnlp.com/demo

zenghsh3

2016-01-18 22:32:52 +08:00

可以尝试类似 TF-IDF 的思想，找出这个公司名和其他公司名相比的独特之处

zenghsh3

2016-01-18 23:09:32 +08:00

@zenghsh3 严格来说是 IDF

v2wtf

2016-01-18 23:13:47 +08:00

先分词，然后把“科技、信息、公司”等等常见词组过滤掉，剩下的基本就是了

rock_cloud

2016-01-18 23:19:12 +08:00

借助搜索引擎？查股票代码或者直接搜索公司全称的简称？或者搜索公司名称+主页，然后看域名？

noli

2016-01-18 23:48:13 +08:00

https://zh.wikipedia.org/wiki/TF-IDF

以下摘自维基百科：

TF-IDF 的主要思想是：如果某个词或短语在一篇文章中出现的频率 TF 高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。 TF-IDF 实际上是： TF * IDF ， TF 词频（ Term Frequency ）， IDF 逆向文件频率（ Inverse Document Frequency ）。 TF 表示词条在文档 d 中出现的频率。 IDF 的主要思想是：如果包含词条 t 的文档越少，也就是 n 越小， IDF 越大，则说明词条 t 具有很好的类别区分能力。

--

“腾讯”和“百度”肯定比起什么“公司”，“有限” 这类词语出现得少……然后，就是这样了。

EXDestroyer

2016-01-19 09:47:42 +08:00

@jsq2627 原来有这种服务，正是我想要的！

ivvei

2016-01-19 15:05:14 +08:00

求测试类似这样的：
国际商业机器股份有限公司
巴伐利亚汽车制造厂

EXDestroyer

2016-01-19 22:41:38 +08:00

@ivvei 结果：
巴伐利亚汽车制造厂
地名：巴伐利亚
名词：汽车、制造厂

国际商业机器股份有限公司
名词：国际、商业、机器、股份、有限公司

ivvei

2016-01-20 13:14:06 +08:00

@EXDestroyer 嗯然后关键名是……？

EXDestroyer

2016-01-20 15:00:03 +08:00

你这两个都没有。。
关键名它会显示为专有名词

http://bosonnlp.com/demo