基于关键词规则匹配的企业客户行业分类研究

基 于关键 词规则 匹配的企业客户行业分类研究
类关联 度ｒ ， 用 来 衡 量 类 与 类 之 间 的 紧 密 程 度 ， 如 果 某 一 类 中含 有 其 他 类 的 关 键 词 越 多 ， 那 么 类 间 的 关 系就 越
类 ，１ ０ 个大类 ，分别为Ｂ ， Ｄ， Ｅ ，Ｆ ， Ｇ， Ｈ， ｌ ，Ｊ ，Ｋ ，
会 有 各 种各 样 的 情况 会 对 分 类 的结 果产 生 影 响 ， 为 了保持 分 类 的准确 性 和一 致 性 ，本 方 法指 定 了 以下 分 类基 本原 则 ：
优 先级 原 则 ：
。 ～．
图４ 各大类类关联度 ，优先级顺序
如 图４ ，１ ０ 个 大 类 类 关 联 度 由小 到 大 为Ｚ — Ｂ — Ｅ — Ｄ — Ｆ — Ｋ — Ｇ — Ｊ — Ｈ — Ｉ ， 即优 先级 顺 序 。
Ｚ ；并且抽取 近１ Ｏ 万 条客户数据作 为标准集，来对 客户的
公 司 名 称 进 行 分 词 分 类 ， 将 关键 词 阀 值 设 为 ３ ， 剔 除 词 阀
值设 为１ ；最后找 到关键词１ ０ ０ ０ 多个 ， 剔 除词 ２ ５ ０ ０ 多 个 覆 盖 了标 准 集 ９ ２ ％ 的数 据 。
八（ ｔ ． 八 ． ． ． 八 ） ｊ ｃ ，
（ ２ ）
举例 来说 ，住宿类 有关键词４ 个 ，分别 为Ｋ ＝ ｛ 酒店 ，
招 待所， 宾馆，旅 店） ， “ 酒店 ” 的剔除词Ｔ ， ＝ ｛ 海鲜 ，用 品，设 备） ， “ 宾馆 ” 的 剔除词 Ｔ ＝ ｛ 菜馆 ， 管理） ， “ 旅
在分 类过 程 中，我 们把 类关联 度低 的 类进行 优先 处 理 ，以减 少和其他 类之 间 的冲 突 。根据类 关联度 ｒ 的大小 顺序来 对各类的优先级进行 排序，关联度越小 的类，代表 与其他 类间的关联性越小，优先级别也就越高 。
２ ， ５ Ｏ ２ ． ０ Ｏ １ ． ５ Ｏ
数。
除 词，， 二 ＿ ■
， … … ． ，
，
表 示每 个 关 键 词对 应的 剔 除 词 个
３ ． ２ 规则的建立
根 据 建 立 好 的 关 键 词 库 和 剔 除词 库 ， 本 文 采 用 了 基 于规 则 匹 配 的 方 法 来 对 公 司 名 称 客 户 进 行 行 业 分 类 ，分 类 过 程 中依 据 分 类 的 优 先 级 次 序 进 行 处 理 ， 并 且 提 出 了类 关
ｔ 。ｔ ２… ｔ
其中 ， １尼 ２… 表 示类Ｃ， 的 ｎ 个 关 键
词 ，ｔ １ ｔ ２ … ｔ 表示 关 键 词 ｊ 的 ｍ 个剔
行业分 类，但是 以什么样的顺序进行分类将会对分类结果
产 生 一 定 的影 响 ，本 文提 出 了 类 关 联 度 的 概 念 来 对 每 一 类 的优 先 级 进 行 排 序 。
一 新 技＝ 术一 ．新二 业＝ 务一 工源自录 入 和 当前 亟 待
征 我 们 可 户 进 行 管
营 销 和 管
分 类 ， 以
３２
新技术 － 新 业务
～ 新＝ 技一 术～ ． ～ 新＝ 业＿ 务～ ｌ
本 文 采 用基 于 统计 的 方 法 来 对 标 注分 词 完 成 后 的 ｛ 』 练 集 进 行 关 键 词 和 剔 除 词 库 的 建 立 。具 体 流 程 见 图３ 。 具体 步骤 如 下 ：
２
・ ●
“ 海鲜 ”、 “ 用品”、 “ 设 备 ” 记 录 即 分 在 住 宿 类 中： 公
司 名 称 中含 有 “ 宾 馆 ” 的记 录 ， 剔 除 同 时 含 有 “ 菜馆” 、 “ 管 理 ” 的记 录 即分 在 住 宿类 中 ； 而含 有 “ 旅 店 ” 关 键 词
（ １）
联度 的概 念来 确定 分类的优先级，同时在分类过程 中指定
了相 应 的原 则 来 对 本 分 类 方 法 进 行 指 导 。 ３ ． ２ ． １ 分 类 规 则 关 键 词 库 和 剔 除 词 库 的 建 立 为 分 类 规 则 的 产 生 以 及 基 于 规 则 匹配 对 公 司 名 称 进 行 行 业 分 类提 供 了好 的基 础 。 本 文 采 用 规 则 匹 配 的 方 法 ， 结 合 关 键 词 和 剔 除 词 建 立 规 则 来 进 行 分 类 ， 规 则 的形 式 化 表 示 为公 式 ２ ：
１ ． Ｏ Ｏ
３ ． ３ 分类基本原则
在 基 于 规 则 匹 配 来 对 公 司 名 称 进 行 行 业 分 类 的过 程 中
０ ． ５ ０ ～ … 一～ …～ …
０ Ｏ ０ 一 ｔ 。 。
～
。 ｍ －
轻酱＃
Ｚ Ｂ Ｆ Ｄ Ｆ Ｋ Ｇ Ｊ １ ４ Ｉ
店’ ’的 剔 除 词Ｔ 。 ＝ 那么对应的分类规贝
图 ３关 键 侧 厍 ， 剔 除 词 厍 建 立 流 程
通 过以 上流 程建 立 起 类Ｃ， 的关 键 词和 剔除 词 库 形
式如公式１ ：
即公 司 名称 中有 “ 酒 店 ” 的 记 录 ， 剔 除 同 时 含 有
ｔ ｔ … ｔ
紧密，换一 句话 说就是，某一类 中含 有的剔除词语 越多，
那 么 与 其 他 类 的 关联 性就 越强 。
第ｉ 类的关联度：
类 关 联 度 ，优 先 级 顺 序 如 图４ ：
／ ＇ ｉ ＝ｌ ｇ （ 厂
＋ ■ ）
（ ３ ）
二 。 联 庳
３ ． ５ ０ 一 ３ ． Ｏ Ｏ ～ 一
ｔ ２ ｔ ２ ２… ｔ ２ ６
・ ● ・ ● ． ● ． ●
的 公 司 名 称 未 还 有 任 何 剔 除 词 语 ， 均 分 在住 宿 类 中 ， 此 条 规 则 的 准确 性最 高 。 ３ ＿ ２ ． ２ 类 关 联 度 通 过 规 则 的 建 立 ， 我 们 可 以 对 公 司 名 称 的 客 户 进 行