执中赛道逻辑

Predictor 类

关键词分析  (.get_keywords_vertical )（通过关键词匹公司名称与公司简介配计算行业权重）

NEI 编码查找对应行业

加载 z_pe.base_industry 执中自己设置的行业赛道基础表并建立行业名称与编码的映射关系

fetch_new_notes 方法核心流程

       1.加载预训练的分类模型和标签       2.对文本进行预测，输出层级化行业标签（如\"新能源-光伏\"）       3.支持批量预测(predict_many)       4.单条预测(predict)

决策（优先 :  Ai模型 > 行业映射  > 关键词 > Nei编码 > 历史数据 ）

根据置信度设置审核状态> 0.95 自动审核通过< 0.95 等待人工审核

行业映射

训练

zdms/vertical 处理逻辑

处理结果写入algo_company_vertical 项目赛道表（等待 zdms/vertical处理）

模型预测

初始化阶段加载行业映射规则和关键词词典       1.nfo_reader 读各种表       2.algo.algo_zo_company_industry 行业预测表 优先使用 zo_industry_name 如果没有则使用 predict_industry       3.algo.algo_company_vertical 最终表  项目赛道表(algo)       4.z_pe.pe_company_basic 新项目表       5.z_pe.base_industry 执中赛道字典表       6.z_zdms.zdms_company_basic_info 公司基本信息表       7.z_zdms.zdms_vertical_keywords word 关键词 vertical 赛道 weight 权重       8.zo_industry_name 行业名称 : 非日常生活消费品-汽车与汽车零部件-汽车零配件-机动车零配件与设备       9.predict_industry  预测行业 : 工业-资本品-机械制造-工业机械       10.company_profile 公司简介       11.old_vertical2new.mapping 餐饮食品 餐饮食品       12.industry_name2vertical.mapping 能源-新能源-风能-风能设备与服务   新能源       13.nei_code2vertical.mapping A01 现代农业       14.clf_model 模型

从多个数据库表中获取企业基本信息(公司id 公司名称 简介  公司行业 执中行业等 ) 并且获取旧记录列表

从源表中写sql读取未处理的company_id op_status

Handler 类

历史数据映射

读取algo_company_vertical 表中数据

行业编码转换 get_vertical_code()方法将\"一级-二级\"格式的行业名称逐级匹配为数字编码（如\"医疗-生物医药\"→编码值）。