如何使用Python在文本中查找公司名称

我有一个格式正确的公司名称列表，我正在尝试查找这些公司何时出现在文档中。问题是它们不太可能像在列表中一样出现在文档中。例如，

Visa Inc

可能显示为

Visa

，或者

American Airlines Group Inc

可能显示为

American Airlines

我如何迭代文档的全部内容，然后在找到匹配项时返回格式正确的公司名称

我尝试了

fuzzyfuzzy

和

difflib.get\u close\u matches

，但问题是它会查看每个单词，而不是一堆单词：

from fuzzywuzzy import process
from difflib import get_close_matches

company_name = ['American Tower Inc', 'American Airlines Group Inc', 'Atlantic American Corp', 'American International Group']

text = 'American Tower is one company. American Airlines is another while there is also Atlantic American Corp but we cannot forget about American International Group Inc.'

#using fuzzywuzzy
for word in text.split():
    print('- ' + word+', ', ', '.join(map(str,process.extractOne(word, company_name))))

#using get_close_matches
for word in text.split():
    match = get_close_matches(word, company_name, n=1, cutoff=.4)
    print(match)

---

我正在研究一个类似的问题

fuzzyfuzzy

在内部使用

difflib

，它们在大型数据集上的执行速度都很慢

Chris van den Berg使用TF-IDF矩阵将公司名称转换为3克向量，然后使用余弦相似性比较向量

---

管道很快，也能为部分匹配的字符串提供准确的结果。

对于这种类型的任务，我使用记录链接算法，它会在ML的帮助下为您找到这些集群。您必须提供一些实际示例，以便算法能够学习正确标记数据集的其余部分

以下是一些信息：

---

干杯，

公司名称中的可选部分是什么，如果文本中没有，也会考虑匹配。如果我说

Inc

或

Group Inc

或

Corp

是可选的，并且公司名称应该与之匹配还是不匹配，这对吗？那么让我们假设在文本中我们找到了

美国国际

，那么我想你可以匹配它。我不认为仅仅匹配

American

就可以了，因为当时的背景可能比较宽泛。你能澄清一点吗？是的，这是正确的。如果它单独存在的话，公司等可能会被忽略。但是，即使名称中包含

Inc

，仍应与

Incyte Corp

匹配。此外，所有公司名称都将大写，因此我认为解决方案可能需要使用某种形式的regex？谢谢，我几天前在搜索过程中看到了这一页，但无可否认，它在我的头上。这似乎很有希望，但似乎是在比较一个列表与另一个列表。那么，我如何实现在整个文本块/文件中循环，并尝试查找现有列表中存在的所有公司名称呢？您只需了解TF-IDF矩阵是如何计算的。你能从文档中提取所有的名词短语吗？即使你提取像

company

这样的单词，当你与

company\u name

列表进行比较时，管道也会给你一个很低的分数。是的，仅仅提取titlecase单词就让我有点接近了，然后我希望过滤那些与

company\u name

匹配度高于某个匹配阈值的单词。但我仍然遇到同样的问题，一些公司的名字是一个词（例如，Visa），而另一些是多个词（例如，美国航空公司和美国塔台）。在后一种情况下，我一直在思考如何找到与

公司名称

列表最接近的匹配项。