算法介绍
针对高校、医疗、科研、政府和公益性质机构的数据库进行整合，以实现输入机构和目标机构数据成果的对标，并确保数据和算法的持续更新。为此，我们采用了以下实体命名实体判歧的核心算法：
- 利用自身实体机构库中上亿机构数据统计词频重要程度，进行分值计算。在此步骤中，我们将去除实体字符的干扰词和停用词，并进行表层名称拓展，从而将单一文本转换为多个文本。
- 使用BERT进行命名实体识别（NER），提取关键实体数据。然后，我们使用KMP模式串匹配对这些数据进行处理，并根据得到的分值找到最相近的实体。在此阶段，我们采用基于相似度的余弦相似度算法来识别并消除实体歧义。 具体来说，我们将每个实体表示为向量，然后计算它们之间的相似度。如果相似度达到预定阈值，我们认为这些实体是相同的。
- 结合ChatGLM大模型对原始数据进行纠错和提取必要信息。结合上述算法，我们可以进一步提升匹配的精准率和命中效果。通过以上步骤，我们可以有效地对不同机构的数据进行整合和对标，为后续的数据分析和决策提供有力支持。
算法流程图
