实体统一的代码实现

ゝ一世哀愁。 2022-03-02 04:42 186阅读 0赞

本文章主要是拿公司名的实体统一进行举例，例如：“河北银行股份有限公司” ，统一为“河北银行”  
下面为代码讲解部分  
1.建立main\_extract，当输入公司名，返回会被统一的简称

def main_extract(company_name,d_4_delete,stop_word,d_city_province):
        """ company_name 输入的公司名 stop_word 停用词 d_4_delete 后缀名 d_city_province 地区 """
        company_name_list = pseg.cut(company_name)
        # 前置获取到的地名
        company_name_list = city_prov_ahead(company_name_list, d_city_province)
        # 去除通用后缀
        company_name_list = delete_suffix(company_name_list, d_4_delete)
        
        # 其他自定义function
        company_name_list = my_function(company_name_list)
        
        company_name = ''.join(company_name_list)
        return company_name

1.  将公司名中地名提前

def city_prov_ahead(company_name_list,d_city_province):
        # 公司名中地名的部分
        city_prov_lst = []
        # 公司名中其他部分
        other_lst = []
        # TODO: 将公司名中地名的部分添加至city_prov_lst，将公司名中非地名的部分添加至other_lst。
        for word, flag in company_name_list:
            if word in d_city_province:
                city_prov_lst.append(word)
            else:
                other_lst.append(word)
        return city_prov_lst+other_lst

1.  去除通用后缀

def delete_suffix(company_name_list,d_4_delete):
        # TODO：识别公司名中通用后缀并删除
        for word in company_name_list[:]:
            if word in d_4_delete:
                company_name_list.remove(word)
        return company_name_list

1.  去除停用词

def my_function(company_name_list):
        other_stop_word = set(('分行','财务'))
        for word in company_name_list[:]:
            # 去除“分行”、“财务”
            if word in other_stop_word:
                company_name_list.remove(word)
            # 去除空格
            word = word.replace(' ','')
        return company_name_list

1.  初始化加载步骤,输出需要使用的词典

def my_initial():
        #加载城市名、省份名
        d_city_province = set() 
        with open("../data/dict/co_City_Dim.txt", encoding='utf-8') as cts:
            for ct in cts.readlines():
                d_city_province.add(ct[:-1])
        with open("../data/dict/co_Province_Dim.txt", encoding='utf-8') as prvs:
            for prv in prvs.readlines():
                d_city_province.add(prv[:-1])
        
        #加载公司后缀
        d_4_delete = set()
        with open(r"../data/dict/company_suffix.txt", encoding='utf-8') as sfs:
            for sf in sfs.readlines():
                d_4_delete.add(sf[:-1])
        
        
        #加载停用词
        stop_word = set()
        with open(r"../data/dict/stopwords.txt", encoding='utf-8') as sts:
            for st in sts.readlines():
                stop_word.add(st[:-1])
        return d_4_delete,stop_word,d_city_province

1.  简单测试实体统一代码

d_4_delete,stop_word,d_city_province = my_initial()
    company_name = "河北银行股份有限公司"
    # 对公司名提取主体部分，将包含相同主体部分的公司统一为一个实体
    company_name = main_extract(company_name,d_4_delete,stop_word,d_city_province)
    print(company_name)

我们可以看到，打印结果为：河北银行  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x0MzI2MDMwNDM0_size_16_color_FFFFFF_t_70]  
以上训练数据及代码已上传至github，感兴趣的同学可[点击这里][Link 1]查看。谢谢！

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x0MzI2MDMwNDM0_size_16_color_FFFFFF_t_70]: /images/20220302/ca88c5ed031544d8b130391d725570b0.png
[Link 1]: https://github.com/Maginaaa/EntityResolution