Java 自动识别文本中的公司名称

问题 我有一个公司名称/股票符号列表，希望在一些文本中识别它们

public interface AutoTaggingService () {
    public List<Tags> getTags(String fullText);
}

公共接口自动标记服务（）{
公共列表getTags（字符串全文）；
}

在最简单的实现中，可以循环所有公司名称并进行精确匹配，但这既慢（大量公司列表），也不能很好地防止拼写变化

可能的解决方案 我可以想到的一种方法是将公司名称/股票符号列表提供给Lucene/Solr索引，并使用全文作为查询。此查询的结果将是一个与全文匹配的文档（公司）列表，并带有相关性分数。可以定义一个阈值，这样只有得分高的公司才会作为标签返回。可以定义自定义词干分析器和公司名称的同义词列表以提高准确性

怀疑 当我在过去使用Lucene/Solr时，搜索索引中的文档包含相对较长的文本（例如，文章集合），而查询将相对较短。就我现在想做的事情而言，情况正好相反。这会影响索引或相关性，并使此方法不可靠吗

问题

我的解决方案是解决这个问题的好方法吗

我是否可以使用和使用公司列表作为培训数据来实现这一点

关于如何高效、准确地完成这项工作的任何其他建议

---

我最近遇到了一个类似的问题（有点），我最终遵循了KISS原则，并用实现了搜索部分。您没有提供关于您的股票代码（如果它们都是相同长度）或全文有多大的详细信息。。。但是你可以用这个方法。这里有一些伪Java

private String[] codes; // e.g. ["ABC",DEF","GHI"]
List<Tags> tagList;
int i = StringUtils.indexOfAny(fulltext, codes);

if (i >= 0) {
    // there's a match
    String code = fullText.substring(i, i + 3);
    tagList.add(doLookup(code)); // lookup util for code -> Tags
    // recursively search again with the substring remainder of the fullText
    callMyself(fullText.substring(i + 3));
}

私有字符串[]代码；//e、 g.[ABC、DEF、GHI”]
列表标记列表；
int i=StringUtils.indexOfAny（全文，代码）；
如果（i>=0）{
//有一场比赛
字符串代码=全文。子字符串（i，i+3）；
tagList.add（doLookup（code））；//查找代码的util->Tags
//使用全文的子字符串剩余部分再次递归搜索
调用我自己（fullText.substring（i+3））；
}

---

以上示例不完整且未经测试-只是给您一个大致的想法。

谢谢您的回答。不幸的是，我正在尝试匹配可能出现在文本中的公司名称，即（苹果电脑、苹果公司或苹果公司）。好的，我错过了这个细节，抱歉。我同意您关于查看SOLR（或Lucene）的建议-我曾多次在小型作业中使用embedded SOLR。您可能能够利用查询突出显示输出来获取匹配的公司名称。我认为您可以使用debugQuery=true查看与给定文档匹配的术语列表，这可能有助于模糊匹配（假设您使用它）在最近的3.5发布中，他们将SOLR描述为“演变成NoSQL数据存储”“.Solr可以使用，但有很多选择。搜索“命名实体提取”。这是你要问的问题的正式名称谢谢@Geert-Jan。在你的建议出现后，我使用Lingpipe进行命名实体提取取得了一些成功，他们称之为“基于词典的近似分块”。。