构建专家规则匹配系统 (Expert Rule-Based Matching)

既然不使用 AI 模型，要解决“尽快上市”和“证券”这种字面不同但意义相关的匹配，唯一且最高效的方法是构建一个领域同义词库（Domain Thesaurus）。这是一种经典的“专家系统”算法，通过预定义的业务规则来模拟理解。

1. 核心思路

我们不再依赖通用的模糊匹配，而是建立一套精准的映射规则。

原理：计算机不知道“上市”需要“证券”，但我们知道。我们将这些业务逻辑“硬编码”为一本字典。
算法：关键词提取 + 同义词扩散 + 加权匹配。

2. 方案优势

完全可控：为什么匹配？为什么不匹配？逻辑一目了然。
零依赖：不需要安装任何新库（如 torch 或 jieba），纯 Python 原生代码，运行极快。
即刻生效：只要规则里写了，匹配准确率就是 100%。

3. 实施计划

步骤 1: 构建商业同义词库 (Thesaurus)

在 main.py 中定义一个详尽的字典，覆盖主要的商业场景。针对您的痛点，我会重点编写“上市/金融”类的规则：

BUSINESS_THESAURUS = {
    # 核心词: [同义词, 关联行业, 关联职能]
    "上市": ["IPO", "证券", "股票", "股份", "路演", "投行", "辅导", "财报", "合规", "董秘"],
    "证券": ["上市", "交易", "股票", "投资", "金融", "资本"],
    "融资": ["找钱", "资金", "投资", "VC", "PE", "天使", "风投", "路演", "BP"],
    "获客": ["销售", "渠道", "推广", "流量", "代理", "分销", "增长"],
    "技术": ["研发", "代码", "程序", "系统", "平台", "App", "小程序", "AI"],
    "法律": ["合规", "律师", "法务", "合同", "知识产权", "维权"],
    "财税": ["会计", "审计", "报税", "记账", "财务"],
}

步骤 2: 实现智能匹配算法 (Smart Matching Algorithm)

我将编写一个 compute_expert_score(text_a, text_b) 函数：

关键词扫描：遍历字典的 Key，看 text_a（如愿景）中包含哪些核心词（如发现“上市”）。
关联扩散：如果发现了“上市”，不仅匹配“上市”本身，还自动去 text_b（如对方行业）中寻找 Value 列表中的词（如“证券”、“投行”）。
加权打分：
- 直接命中关键词：100分
- 命中关联词：80分
- 保留原有的 difflib 作为兜底（处理人名或未收录的词）。

步骤 3: 替换现有逻辑

修改 /api/resource-match 和 get_tablemates，使用新的专家算法替换旧算法。

这个方案完全满足“不用AI”且“提高模糊语义准确度”的需求。

2.7 KiB Raw Blame History Unescape Escape