企业分类相似度筛选实战：基于规则与向量方法的对比分析
文章目录
- 企业表相似类别筛选实战
- 项目背景
- 介绍
- 效果展示
- 基于规则的效果
- 基于向量相似的效果
- 说明
- 相关文章推荐
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