03年10月份我由于个人兴趣原因从后端开发转数据挖掘,接手的第一个活是“公司别名聚合”,初期一头雾水,不知从何处下手,2个月以后才建出第一个模型,准确率85%以上,召回率比较惨只有60%不到,后来准确率优化到90%以上。接下来讲讲具体的过程。(由于数据敏感性,文章中不会暴露数据源,只能说我使用的的数据都是UGC,且数据量巨大)。
目的:通过程序区分用户所填写的“百度”,“百度烤肉”,“华为公司”,“华为技术有限公司”这样的公司名称是不是属于同一个公司。
手段:数据挖掘、建模、分类、人工筛选。
数据源:用户手动输