企业表相似类别筛选实战

项目背景

在当下RAG（检索增强生成）技术应用不断发展的背景下，掌握文本相似算法不仅能够助力信息检索，还可用于评估生成式LLM的效果。

介绍

文本分类是现实生活中常见的任务之一。在企业分类中，类别数量通常达到数百个，为了方便理清这些类别间的关系、筛选出相似类别变得尤为重要。本项目旨在解决这一需求。

本项目的代码开源在GitHub，欢迎Star和Donate! 地址：https://github.com/JieShenAI/csdn/tree/main/25/01/文本相似_企业表筛选_实战

效果展示

本文通过基于规则的google_bleu方法和基于向量的相似度计算，对企业类别间的相似度进行测算，并展示了两种方法的筛选结果。

候选集的表格为 alter_values.xls，通过遍历 init_values.xls 中的条目，从候选集中筛选出前 TopK 个最相似的条目。

基于规则的效果

规则方法主要基于字符层面的相似度计算，使用 google_bleu 算法完成，效果如下图所示：

行业分类属性列 来自 init_values.xls。

【0-9】属性列，代表与行业分类属性列中值相似的前 Top 10 个值，相似程度从高到低递减，0 属性列为最相似。

由google_bleu 支持字符串的相似得分计算，主要是基于字符层面的。

可以改进的点：在分词的时候，采用字分词，每个单字为一个词。在分词时，可通过引入 jieba分词 和自定义领域词典进行优化。

基于向量相似的效果

向量相似方法采用嵌入模型，能够抓取文本的深层语义信息，避免仅局限于字符表面匹配。

使用 jina-embeddings-v2-base-zh 作为嵌入模型，点击查看该模型的介绍 https://modelscope.cn/models/jinaai/jina-embeddings-v2-base-zh

使用基于向量的相似度计算，能够把握住文本深层次的语义信息，不会仅仅是表面的字符。

相比规则算法，向量方法能有效筛选出语义相近的类别，例如：

• 规则方法可能错误地将“房地产中介服务”筛选为与“中 国 共 产 党 机 关”相关的条目；
• 向量方法则能准确找到更贴合语义的结果，如“国家权力机构”或“共青团”。

基于规则：

行业分类	0	1	2	3	4	5	6	7	8	9
中国共产党机关	中国共产党机关	中成药生产	房地产中介服务	国家机构	国家权力机构	国家行政机构	其他国家机构	公共安全管理机构	生产专用起重机制造	其他未列明国家机构

基于向量：

行业分类	0	1	2	3	4	5	6	7	8	9
中国共产党机关	中国共产党机关	国家权力机构	共青团	国家行政机构	人民检察院	国家机构	监察委员会、人民法院和人民检察院	人民政协、民主党派	人民政协	基层群众自治组织及其他组织

可以发现基于规则找出的与中 国 共 产 党 机 关相关条目，其中居然包含有中成药生产、房地产中介服务 。

说明

data: 存放原始数据目录；

rule.py: 基于规则的相似度筛选代码；

vector.py: 基于向量的相似度筛选代码；参考 chroma. https://python.langchain.com/docs/integrations/vectorstores/chroma/

向量筛选.csv 与 规则筛选.csv 是最终的输出结果；

• 代码复用：通过对两个表格与表头的替换，即可实现代码复用；

相关文章推荐

三种文本相似计算方法：规则、向量与大模型裁判.https://blog.csdn.net/sjxgghg/article/details/145209050