CN112085469A - 基于向量机模型的数据审批方法、装置、设备及存储介质 - Google Patents

Abstract

本申请实施例属于人工智能技术领域，涉及一种基于向量机模型的数据审批方法，包括在接收到审批申请时，获取申请人的申请字段信息，并计算所述申请字段信息中每个字段的权重值和基础字段值；根据所述权重值和所述基础字段值，计算所述申请字段信息的输入字段值，通过预设的审批向量机模型对所述输入字段值进行计算，得到所述申请字段信息的推荐值；获取所述推荐值对应的划分范围，根据所述划分范围匹配对应的审批对象，基于所述审批对象审批所述申请字段信息。本申请还提供一种基于向量机模型的数据审批装置、设备及存储介质。此外，本申请还涉及区块链技术，所述申请字段信息可存储于区块链中。本申请实现了对申请数据的自动审批分配。

Description

基于向量机模型的数据审批方法、装置、设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种基于向量机模型的数据审批方法、装置、计算机设备及存储介质。

背景技术

当前，无论是在生活中还是在工作中，为了信息的安全及条件的限制，对接收到的数据进行审批通常是一个不可或缺的过程。各个不同的领域中均存在各式各样不同的审批流程。

对于传统的数据审批，通常需要人工将各种文件、测评报告及合作机构资质文件、授权文件、接口方案等一一交予对应的审批对象进行审批，即由人工自己选择审批对象来提交资料进行审批。该审批过程繁琐，审批耗时长，在审批资料较多或者审批类型过多时，则会导致数据审批效率低下的技术问题。

发明内容

本申请实施例的目的在于提出一种基于向量机模型的数据审批方法、装置、计算机设备及存储介质，以解决数据审批效率低下的技术问题。

为了解决上述技术问题，本申请实施例提供一种基于向量机模型的数据审批方法，采用了如下所述的技术方案：

在接收到审批申请时，获取申请人的申请字段信息，并计算所述申请字段信息中每个字段的权重值和基础字段值；

根据所述权重值和所述基础字段值，计算所述申请字段信息的输入字段值，通过预设的审批向量机模型对所述输入字段值进行计算，得到所述申请字段信息的推荐值；

获取所述推荐值对应的划分范围，根据所述划分范围匹配对应的审批对象，基于所述审批对象审批所述申请字段信息。

进一步的，所述计算所述申请字段信息中每个字段的权重值和基础字段值的步骤具体包括：

获取所述申请字段信息所属的申请类别，根据所述申请类别确定所述申请字段信息中每个字段的权重值；

获取所述申请字段信息中每个字段的字符串，对所述字符串进行正则化，得到每个所述字段的基础字段值。

进一步的，所述获取所述申请字段信息所属的申请类别，根据所述申请类别确定所述申请字段信息中每个字段的权重值的步骤包括：

通过预设的语义识别模型对所述申请字段信息进行语义识别，确定所述申请字段信息中是否存在敏感字段信息；

在所述申请字段信息中存在所述敏感字段信息时，统一调整所述申请字段信息中每个字段的初始权重值为最大预设值，基于所述最大预设值，根据所述申请字段信息的申请类别，对所述申请类别下的每个字段的权重值进行计算。

进一步的，在所述通过预设的审批向量机模型对所述输入字段值进行计算的步骤之前还包括：

获取在数据库中预先存储的历史审批记录，并将所述历史审批记录划分为训练数据和验证数据；

根据所述训练数据对基础向量机模型进行训练，并根据所述验证数据对训练后的基础向量机模型进行验证；

获取所述训练后的基础向量机模型的验证正确率，在所述验证正确率达到预设正确率时，确定所述训练后的基础向量机模型为审批向量机模型。

进一步的，所述获取所述训练后的基础向量机模型的验证正确率的步骤具体包括：

从所述历史审批记录中选取预设个数的训练数据为预训练数据，根据所述预训练数据对初始的基础向量机模型进行预训练，得到所述历史审批记录的预参数划分范围；

若根据所述训练后的基础向量机模型对所述验证数据计算得到的推荐值在所述预参数划分范围内，确定所述训练后的基础向量机模型对所述验证数据验证正确；

根据所述训练后的基础向量机模型验证正确的次数，确定所述训练后的基础向量机模型的验证正确率。

进一步的，所述基于所述审批对象审批所述申请字段信息的步骤具体包括：

获取预设审批顺序；

按照所述预设审批顺序依次匹配所述申请字段信息对应的审批对象，在所有所述审批对象均审批通过时，确定所述申请字段信息审批通过。

进一步的，所述获取申请人的申请字段信息之后还包括：

确定所述申请字段信息是否为加密信息，在所述申请字段信息为所述加密信息时，获取所述申请字段信息对应的密钥信息；

根据所述密钥信息对所述申请字段信息进行解密。

为了解决上述技术问题，本申请实施例还提供一种基于向量机模型的数据审批装置，采用了如下所述的技术方案：

获取模块，用于在接收到审批申请时，获取申请人的申请字段信息，并计算所述申请字段信息中每个字段的权重值和基础字段值；

处理模块，用于根据所述权重值和所述基础字段值，计算所述申请字段信息的输入字段值，通过预设的审批向量机模型对所述输入字段值进行计算，得到所述申请字段信息的推荐值；

匹配模块，用于获取所述推荐值对应的划分范围，根据所述划分范围匹配对应的审批对象，基于所述审批对象审批所述申请字段信息。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述基于向量机模型的数据审批方法的步骤。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述基于向量机模型的数据审批方法的步骤。

本申请通过在接收到审批申请时，获取申请人的申请字段信息，并计算所述申请字段信息中每个字段的权重值和基础字段值，该申请字段信息为申请人填写的基本信息，包括人员类、采集类、方式类及业务类等字段类别的字段信息；根据所述权重值和所述基础字段值，计算所述申请字段信息的输入字段值，通过预设的审批向量机模型对所述输入字段值进行计算，得到所述申请字段信息的推荐值；不同范围的推荐值对应有不同的审批对象，获取所述推荐值对应的划分范围，根据所述划分范围匹配对应的审批对象，基于所述审批对象审批所述申请字段信息，实现了对申请数据的自动审批分配，节省了审批时长，提高了审批效率，且避免由于人工分配审批对象所带来的数据隐私安全隐患，提高了线上审批的安全性。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的基于向量机模型的数据审批方法的一个实施例的流程图；

图3是根据本申请的基于向量机模型的数据审批装置的一个实施例的结构示意图；

图4是根据本申请的计算机设备的一个实施例的结构示意图。

附图标记：基于向量机模型的数据审批装置400包括：获取模块401、处理模块402以及匹配模块403。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的基于向量机模型的数据审批方法一般由服务器/终端设备执行，相应地，基于向量机模型的数据审批装置一般设置于服务器/终端设备中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的基于向量机模型的数据审批方法的一个实施例的流程图。所述的基于向量机模型的数据审批方法，包括以下步骤：

步骤S201，在接收到审批申请时，获取申请人的申请字段信息，并计算所述申请字段信息中每个字段的权重值和基础字段值；

在本实施例中，申请字段信息为申请人填写的基本信息，包括人员类、采集类、方式类及业务类等字段类别的字段信息。人员类下的字段则包括联系人UM、接触人员、数据销毁执行人；采集类下的字段则包括采集需求来源、是否定期采集、数据量级、采集数据范围、采集时间范围、采集字段；方式类下的字段则包括数据存储方式、数据传输方式、数据销毁方式、可脱敏方式；业务类下的字段则包括需求部门、业务险种，共15个基础字段。在获取到申请字段信息时，则验证该申请字段信息是否完整，即检验所有字段下的信息是否为空，若存在任意一个字段的信息为空，则确定该申请字段信息不完整，返回该申请字段信息，并发送错误接受报告。若所有字段下的信息均非空，则确定该申请字段信息完整，存储该申请字段信息。

在得到该申请字段信息时，计算该申请字段信息中每个字段的权重值和基础字段值。具体地，在计算该申请字段信息中每个字段的权重值时，确定该字段所属的字段类别，根据该字段类别对应的预设阈值确定该申请字段信息中每个字段的权重值。在获取申请字段信息中每个字段对应的权重值的同时，获取该申请字段信息对应的基础字段值，其中，该基础字段值为每个字段对应的value值，通过获取每个字段对应的字符串，并对该字符串进行正则化，即可得到每个字段对应的基础字段值。

需要强调的是，为进一步保证上述申请字段信息的私密和安全性，上述申请字段信息还可以存储于一区块链的节点中。

本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

步骤S202，根据所述权重值和所述基础字段值，计算所述申请字段信息的输入字段值，通过预设的审批向量机模型对所述输入字段值进行计算，得到所述申请字段信息的推荐值；

在本实施例中，在获取到申请字段信息时，则基于审批向量机模型计算该申请字段信息，该审批向量机模型为此前根据历史审批记录训练得到的支持向量机模型。基于该审批向量机模型则可对该申请字段信息进行计算，并得到该申请字段信息对应的推荐值，根据该推荐值即可确定对应的审批对象。具体地，该审批向量机模型如下所示：

其中，x为输入的申请字段信息中每个字段对应的输入字段值，y为预设变量，ω为求解参数即推荐值。该输入字段值可通过申请字段信息的权重值及基础字段值计算得到，其中，权重值为该申请字段信息中每个字段在不同申请类别下对应的权重值，基础字段值则为该申请字段信息中每个字段对应的value值。根据该权重值及该基础字段值即可计算得到该输入字段值，该具体计算方式可以为加权求和的方式，其中，加权求和即为将申请字段信息中的每个字段的权重值与对应字段的基础字段值进行相乘，而后对相乘后的结果进行相加得到最终的结果即为该申请字段信息的输入字段值。在计算得到该输入字段值时，则基于该审批向量机模型计算即可得到推荐值。

步骤S203，获取所述推荐值对应的划分范围，根据所述划分范围匹配对应的审批对象，基于所述审批对象审批所述申请字段信息。

在本实施例中，在根据审批向量机模型得到推荐值时，则根据该推荐值匹配对应的审批对象。不同的审批对象对应不同划分范围的推荐值。该推荐值与审批对象的匹配方式由预设匹配方式确定，如推荐值在A至B范围内的数值对应审批对象1，推荐值在B至C范围内的数值对应审批对象2，在A与C范围之外的数值则对应审批对象3，其中，A、B、C为三个不同的数值，A小于B，B小于C。

本申请实现了对申请数据的自动审批分配，节省了审批时长，提高了审批效率，且避免由于人工分配审批对象所带来的数据隐私安全隐患，提高了线上审批的安全性。

在本申请的一些实施例中，上述计算所述申请字段信息中每个字段的权重值和基础字段值包括：

获取所述申请字段信息所属的申请类别，根据所述申请类别确定所述申请字段信息中每个字段的权重值；

获取所述申请字段信息中每个字段的字符串，对所述字符串进行正则化，得到每个所述字段的基础字段值。

在本实施例中，获取该申请字段信息对应的申请类别，该申请类别具体包括数据采集、数据属主、法律合规及信息安全。不同申请类别的申请字段信息所需填写的字段相同，例如，在申请类别无论为数据采集或数据属主时，获取到的申请字段信息均包括人员类、采集类、方式类及业务类等不同字段类别下的所有字段信息。

在获取到申请类别时，根据该申请类别即可确定该申请字段信息中每个字段类别下字段的权重信息。具体地，不同申请类别下每个不同字段类别的字段的权重不同，同一字段类别下的字段的权重相同。在申请字段信息的申请类别为某一类别时，获取该申请类别下每种字段类别对应的预设权重信息，每种申请类别下不同字段类别下字段的权重值不同。根据该预设权重信息确定每种字段类别下每个字段的权重值。例如，在获取到申请字段信息的申请类别为数据采集时，则该数据采集下获取到人员类和业务类的预设权重信息占比最大为50％，则该人员类和业务类下的字段的权重值为预设权重值50％；而采集类的预设权重信息占比较人员类和业务类次之，为20％，则采集类下字段对应的权重值为20％；方式类的预设权重信息占比最低为10％，则方式类下字段对应的权重值则为10％。

本实施例实现了对申请字段信息中权重值和基础字段值的精准计算，提高了根据推荐值匹配审批对象的准确率。

在本申请的一些实施例中，上述获取所述申请字段信息所属的申请类别，根据所述申请类别确定所述申请字段信息中每个字段的权重值包括：

通过预设的语义识别模型对所述申请字段信息进行语义识别，确定所述申请字段信息中是否存在敏感字段信息；

在所述申请字段信息中存在所述敏感字段信息时，统一调整所述申请字段信息中每个字段的初始权重值为最大预设值，基于所述最大预设值，根据所述申请字段信息的申请类别，对所述申请类别下的每个字段的权重值进行计算。

在本实施例中，在根据申请字段信息所属的申请类别确定申请字段信息中每个字段的权重值时，通过预设的语义识别模型对申请字段信息进行语义识别，以识别该申请字段信息中是否包括敏感字段信息。若该申请字段信息中包括敏感字段信息，则将申请字段信息中每个字段对应的初始权重值调整为最大预设值；在该最大预设值的基础上，根据申请字段信息的申请类别对字段的权重值进行计算。例如，检测到申请字段信息中存在敏感信息，将该申请字段信息中每个字段的初始权重值调整为最大预设值，该最大预设值为30％；并且获取到该申请字段信息的申请类别为数据采集，则在30％的基础上，计算该数据采集类别下，每个字段类别的字段的权重值。其中，数据采集类别下字段类别为人员类和业务类的预设权重信息为50％，则将30％与该预设权重信息相加得到该字段类别下字段最终的权重值为80％；数据采集类别下字段类别为采集类的预设权重信息为20％，则将30％与该预设权重信息相加得到该字段类别下字段最终的权重值为50％；数据采集类别下字段类别为方式类的预设权重信息为10％，则将30％与该预设权重信息相加得到该字段类别下字段最终的权重值为40％。

本实施例实现了在申请字段信息中包括敏感字段信息时，通过调整对应的权重值，使得根据该权重值计算得到的推荐值匹配到的审批对象为权限更高的审批对象，进一步实现了对隐私信息的保护，避免了隐私信息的泄露。

在本申请的一些实施例中，上述在通过预设的审批向量机模型对所述输入字段值进行计算之前包括：

获取在数据库中预先存储的历史审批记录，并将所述历史审批记录划分为训练数据和验证数据；

根据所述训练数据对基础向量机模型进行训练，并根据所述验证数据对训练后的基础向量机模型进行验证；

获取所述训练后的基础向量机模型的验证正确率，在所述验证正确率达到预设正确率时，确定所述训练后的基础向量机模型为审批向量机模型。

在本实施例中，获取在数据库中预先存储的历史审批记录，该历史审批记录包括若干历史申请字段信息及该历史申请字段信息对应的审批对象，划分该历史审批记录为训练数据和验证数据。将训练数据投入基础向量机模型进行训练，在训练到预设次数时或训练到准确率达到预设数值时，则根据验证数据对训练后的基础向量机模型进行验证。若通过验证数据基于该训练后的基础向量机模型计算得到的推荐值，与该验证数据对应的审批对象的推荐值所属同一推荐值范围，则确定该基础向量机模型验证正确。若训练后的基础向量机模型的正确率达到预设正确率，则确定该基础向量机模型训练完成，最终训练完成的基础向量机模型则为审批向量机模型。若通过验证数据基于该训练后的基础向量机模型计算得到的推荐值，与该验证数据对应的审批对象的推荐值范围不同，则继续训练，直至训练后的基础向量机模型的验证正确率达到预设正确率。

本实施例实现了根据历史审批记录对审批向量机模型的训练，使得根据审批向量机模型能够对申请字段信息快速计算得到对应的推荐值，进一步提高了数据审批的效率与匹配的准确率。

在本申请的一些实施例中，上述获取所述训练后的基础向量机模型的验证正确率包括：

从所述历史审批记录中选取预设个数的训练数据为预训练数据，根据所述预训练数据对初始的基础向量机模型进行预训练，得到所述历史审批记录的预参数划分范围；

若根据所述训练后的基础向量机模型对所述验证数据计算得到的推荐值在所述预参数划分范围内，确定所述训练后的基础向量机模型对所述验证数据验证正确；

根据所述训练后的基础向量机模型验证正确的次数，确定所述训练后的基础向量机模型的验证正确率。

在本实施例中，在获取到历史审批记录时，选取该历史审批记录中预设个数的训练数据为预训练数据，根据该预训练数据对初始的基础向量机模型进行预训练，该初始的基础向量机模型则通过该预训练数据可以计算得到当前历史审批记录对应的预设个数的推荐值。按照该预训练数据对应的审批对象，对该推荐值进行区间划分，由此即可得到不同审批对象对应的推荐值范围。

将该推荐值范围确定为历史审批记录的预参数划分范围，根据该预参数划分范围可以对训练后的基础向量机模型对验证数据是否验证正确进行判断。具体地，重新将若干历史审批记录作为训练数据投入至基础向量机模型进行训练，在该基础向量机模型训练到预设次数时，则通过该历史审批记录中划分的验证数据对训练后的基础向量机模型进行验证。若投入的验证数据计算得到的推荐值在该验证数据对应审批对象的预参数划分范围内，则确定该基础向量机模型对该验证数据验证正确。根据该训练后的基础向量机模型对验证数据验证正确的次数确定对应的验证正确率，若训练后的基础向量机模型对验证数据的正确率达到预设正确率，则确定该训练后的基础向量机训练完成，训练完成的基础向量机模型即为审批向量机模型。

本实施例实现了对训练后的基础向量机模型的验证，使得最终得到的审批向量机模型精度更高，计算得到的推荐值更加准确，进一步提高数据审批匹配审批对象的准确率。

在本申请的一些实施例中，上述基于所述审批对象审批所述申请字段信息包括：

获取预设审批顺序；

按照所述预设审批顺序依次匹配所述申请字段信息对应的审批对象，在所有所述审批对象均审批通过时，确定所述申请字段信息审批通过。

在本实施例中，预设审批顺序为预先设定的审批顺序，以数据采集、数据属主、法律合规及信息安全依次审批匹配的顺序为例。在接受到申请字段信息时，则计算申请类别为数据采集类别下申请字段信息的推荐值，根据该推荐值确定数据采集类别下对应的审批对象；在该审批对象审批通过时，则计算该申请字段信息在申请类别为数据属主类别下的推荐值，根据该推荐值确定数据属主类别下对应的审批对象；法律合规及信息安全的审批方式亦按照上述方式对申请字段信息依次审批。在所有审批对象对申请字段信息均审批通过时，则确定该申请字段信息审批通过。

本实施例通过预设审批数据对申请字段信息进行依次审批匹配，实现了数据审批的规范化，进一步提高了数据审批的安全性。

在本申请的一些实施例中，在上述获取申请人的申请字段信息的之后还包括：

确定所述申请字段信息是否为加密信息，在所述申请字段信息为所述加密信息时，获取所述申请字段信息对应的密钥信息；

根据所述密钥信息对所述申请字段信息进行解密。

在本实施例中，为保证数据传输的安全性，在申请字段信息传输的过程中通常会对申请字段信息进行加密。因此，在获取到申请人的申请字段信息之后，对申请字段信息对应的推荐值计算之前，确定申请字段信息是否为加密信息。若申请字段信息为加密信息，则获取该申请字段信息对应的密钥信息，根据该密钥信息对该申请字段信息进行解密。除此之外，在申请字段信息为加密信息时，若本地服务端存储有申请字段信息对应的对称密钥，则在获取到该申请字段信息时，可直接根据该对称密钥对该申请字段信息进行解密。

本实施例确保了数据传输过程中数据的安全性，避免了隐私数据的泄露，进一步提高了线上审批的安全性。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于向量机模型的数据审批装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图3所示，本实施例所述的基于向量机模型的数据审批装置400包括：获取模块401、处理模块402、匹配模块403。其中：

获取模块401，用于在接收到审批申请时，获取申请人的申请字段信息，并计算所述申请字段信息中每个字段的权重值和基础字段值；

其中，所述获取模块401包括：

第一获取单元，用于获取所述申请字段信息所属的申请类别，根据所述申请类别确定所述申请字段信息中每个字段的权重值；

第二获取单元，用于获取所述申请字段信息中每个字段的字符串，对所述字符串进行正则化，得到每个所述字段的基础字段值。

其中，所述第一获取单元包括：

确认子单元，用于通过预设的语义识别模型对所述申请字段信息进行语义识别，确定所述申请字段信息中是否存在敏感字段信息；

计算子单元，用于在所述申请字段信息中存在所述敏感字段信息时，统一调整所述申请字段信息中每个字段的初始权重值为最大预设值，基于所述最大预设值，根据所述申请字段信息的申请类别，对所述申请类别下的每个字段的权重值进行计算。

在本实施例中，申请字段信息为申请人填写的基本信息，包括人员类、采集类、方式类及业务类等字段类别的字段信息。人员类下的字段则包括联系人UM、接触人员、数据销毁执行人；采集类下的字段则包括采集需求来源、是否定期采集、数据量级、采集数据范围、采集时间范围、采集字段；方式类下的字段则包括数据存储方式、数据传输方式、数据销毁方式、可脱敏方式；业务类下的字段则包括需求部门、业务险种，共15个基础字段。在获取到申请字段信息时，则验证该申请字段信息是否完整，即检验所有字段下的信息是否为空，若存在任意一个字段的信息为空，则确定该申请字段信息不完整，返回该申请字段信息，并发送错误接受报告。若所有字段下的信息均非空，则确定该申请字段信息完整，存储该申请字段信息。

在得到该申请字段信息时，计算该申请字段信息中每个字段的权重值和基础字段值。具体地，在计算该申请字段信息中每个字段的权重值时，确定该字段所属的字段类别，根据该字段类别对应的预设阈值确定该申请字段信息中每个字段的权重值。在获取申请字段信息中每个字段对应的权重值的同时，获取该申请字段信息对应的基础字段值，其中，该基础字段值为每个字段对应的value值，通过获取每个字段对应的字符串，并对该字符串进行正则化，即可得到每个字段对应的基础字段值。

需要强调的是，为进一步保证上述申请字段信息的私密和安全性，上述申请字段信息还可以存储于一区块链的节点中。

本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

处理模块402，用于根据所述权重值和所述基础字段值，计算所述申请字段信息的输入字段值，通过预设的审批向量机模型对所述输入字段值进行计算，得到所述申请字段信息的推荐值；

在本实施例中，在获取到申请字段信息时，则基于审批向量机模型计算该申请字段信息，该审批向量机模型为此前根据历史审批记录训练得到的支持向量机模型。基于该审批向量机模型则可对该申请字段信息进行计算，并得到该申请字段信息对应的推荐值，根据该推荐值即可确定对应的审批对象。具体地，该审批向量机模型如下所示：

其中，x为输入的申请字段信息中每个字段对应的输入字段值，y为预设变量，ω为求解参数即推荐值。该输入字段值可通过申请字段信息的权重值及基础字段值计算得到，其中，权重值为该申请字段信息中每个字段在不同申请类别下对应的权重值，基础字段值则为该申请字段信息中每个字段对应的value值。根据该权重值及该基础字段值即可计算得到该输入字段值，该具体计算方式可以为加权求和的方式，其中，加权求和即为将申请字段信息中的每个字段的权重值与对应字段的基础字段值进行相乘，而后对相乘后的结果进行相加得到最终的结果即为该申请字段信息的输入字段值。在计算得到该输入字段值时，则基于该审批向量机模型计算即可得到推荐值。

匹配模块403，用于获取所述推荐值对应的划分范围，根据所述划分范围匹配对应的审批对象，基于所述审批对象审批所述申请字段信息。

其中，所述匹配模块403还包括：

第三获取单元，用于获取预设审批顺序；

审批单元，用于按照所述预设审批顺序依次匹配所述申请字段信息对应的审批对象，在所有所述审批对象均审批通过时，确定所述申请字段信息审批通过。

在本实施例中，在根据审批向量机模型得到推荐值时，则根据该推荐值匹配对应的审批对象。不同的审批对象对应不同划分范围的推荐值。该推荐值与审批对象的匹配方式由预设匹配方式确定，如推荐值在A至B范围内的数值对应审批对象1，推荐值在B至C范围内的数值对应审批对象2，在A与C范围之外的数值则对应审批对象3，其中，A、B、C为三个不同的数值，A小于B，B小于C。

本实施例中的基于向量机模型的数据审批装置还包括：

记录模块，用于获取在数据库中预先存储的历史审批记录，并将所述历史审批记录划分为训练数据和验证数据；

训练模块，用于根据所述训练数据对基础向量机模型进行训练，并根据所述验证数据对训练后的基础向量机模型进行验证；

第一确认模块，用于获取所述训练后的基础向量机模型的验证正确率，在所述验证正确率达到预设正确率时，确定所述训练后的基础向量机模型为审批向量机模型。

其中，所述第一确认模块还包括：

预训练单元，用于从所述历史审批记录中选取预设个数的训练数据为预训练数据，根据所述预训练数据对初始的基础向量机模型进行预训练，得到所述历史审批记录的预参数划分范围；

第一确认单元，用于若根据所述训练后的基础向量机模型对所述验证数据计算得到的推荐值在所述预参数划分范围内，确定所述训练后的基础向量机模型对所述验证数据验证正确；

第二确认单元，用于根据所述训练后的基础向量机模型验证正确的次数，确定所述训练后的基础向量机模型的验证正确率。

在本实施例中，获取在数据库中预先存储的历史审批记录，该历史审批记录包括若干历史申请字段信息及该历史申请字段信息对应的审批对象，划分该历史审批记录为训练数据和验证数据。将训练数据投入基础向量机模型进行训练，在训练到预设次数时或训练到准确率达到预设数值时，则根据验证数据对训练后的基础向量机模型进行验证。若通过验证数据基于该训练后的基础向量机模型计算得到的推荐值，与该验证数据对应的审批对象的推荐值所属同一推荐值范围，则确定该基础向量机模型验证正确。若训练后的基础向量机模型的正确率达到预设正确率，则确定该基础向量机模型训练完成，最终训练完成的基础向量机模型则为审批向量机模型。若通过验证数据基于该训练后的基础向量机模型计算得到的推荐值，与该验证数据对应的审批对象的推荐值范围不同，则继续训练，直至训练后的基础向量机模型的验证正确率达到预设正确率。

第二确认模块，用于确定所述申请字段信息是否为加密信息，在所述申请字段信息为所述加密信息时，获取所述申请字段信息对应的密钥信息；

解密模块，用于根据所述密钥信息对所述申请字段信息进行解密。

在本实施例中，为保证数据传输的安全性，在申请字段信息传输的过程中通常会对申请字段信息进行加密。因此，在获取到申请人的申请字段信息之后，对申请字段信息对应的推荐值计算之前，确定申请字段信息是否为加密信息。若申请字段信息为加密信息，则获取该申请字段信息对应的密钥信息，根据该密钥信息对该申请字段信息进行解密。除此之外，在申请字段信息为加密信息时，若本地服务端存储有申请字段信息对应的对称密钥，则在获取到该申请字段信息时，可直接根据该对称密钥对该申请字段信息进行解密。

本申请提供的基于向量机模型的数据审批装置，实现了对申请数据的自动审批分配，节省了审批时长，提高了审批效率，且避免由于人工分配审批对象所带来的数据隐私安全隐患，提高了线上审批的安全性。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。

所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是，图中仅示出了具有组件61-63的计算机设备6，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器61至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器61可以是所述计算机设备6的内部存储单元，例如该计算机设备6的硬盘或内存。在另一些实施例中，所述存储器61也可以是所述计算机设备6的外部存储设备，例如该计算机设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中，所述存储器61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件，例如基于向量机模型的数据审批方法的计算机可读指令等。此外，所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器62在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中，所述处理器62用于运行所述存储器61中存储的计算机可读指令或者处理数据，例如运行所述基于向量机模型的数据审批方法的计算机可读指令。

所述网络接口63可包括无线网络接口或有线网络接口，该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。

本申请提供的所述计算机设备，实现了对申请数据的自动审批分配，节省了审批时长，提高了审批效率，且避免由于人工分配审批对象所带来的数据隐私安全隐患，提高了线上审批的安全性。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于向量机模型的数据审批方法的步骤。

本申请提供的所述计算机可读存储介质，实现了对申请数据的自动审批分配，节省了审批时长，提高了审批效率，且避免由于人工分配审批对象所带来的数据隐私安全隐患，提高了线上审批的安全性。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于向量机模型的数据审批方法，其特征在于，包括下述步骤：

在接收到审批申请时，获取申请人的申请字段信息，并计算所述申请字段信息中每个字段的权重值和基础字段值；

根据所述权重值和所述基础字段值，计算所述申请字段信息的输入字段值，通过预设的审批向量机模型对所述输入字段值进行计算，得到所述申请字段信息的推荐值；

获取所述推荐值对应的划分范围，根据所述划分范围匹配对应的审批对象，基于所述审批对象审批所述申请字段信息。

2.根据权利要求1所述的基于向量机模型的数据审批方法，其特征在于，所述计算所述申请字段信息中每个字段的权重值和基础字段值的步骤具体包括：

获取所述申请字段信息所属的申请类别，根据所述申请类别确定所述申请字段信息中每个字段的权重值；

获取所述申请字段信息中每个字段的字符串，对所述字符串进行正则化，得到每个所述字段的基础字段值。

3.根据权利要求2所述的基于向量机模型的数据审批方法，其特征在于，所述获取所述申请字段信息所属的申请类别，根据所述申请类别确定所述申请字段信息中每个字段的权重值的步骤包括：

通过预设的语义识别模型对所述申请字段信息进行语义识别，确定所述申请字段信息中是否存在敏感字段信息；

在所述申请字段信息中存在所述敏感字段信息时，统一调整所述申请字段信息中每个字段的初始权重值为最大预设值，基于所述最大预设值，根据所述申请字段信息的申请类别，对所述申请类别下的每个字段的权重值进行计算。

4.根据权利要求1所述的基于向量机模型的数据审批方法，其特征在于，在所述通过预设的审批向量机模型对所述输入字段值进行计算的步骤之前还包括：

获取在数据库中预先存储的历史审批记录，并将所述历史审批记录划分为训练数据和验证数据；

根据所述训练数据对基础向量机模型进行训练，并根据所述验证数据对训练后的基础向量机模型进行验证；

获取所述训练后的基础向量机模型的验证正确率，在所述验证正确率达到预设正确率时，确定所述训练后的基础向量机模型为审批向量机模型。

5.根据权利要求4所述的基于向量机模型的数据审批方法，其特征在于，所述获取所述训练后的基础向量机模型的验证正确率的步骤具体包括：

从所述历史审批记录中选取预设个数的训练数据为预训练数据，根据所述预训练数据对初始的基础向量机模型进行预训练，得到所述历史审批记录的预参数划分范围；

若根据所述训练后的基础向量机模型对所述验证数据计算得到的推荐值在所述预参数划分范围内，确定所述训练后的基础向量机模型对所述验证数据验证正确；

根据所述训练后的基础向量机模型验证正确的次数，确定所述训练后的基础向量机模型的验证正确率。

6.根据权利要求1所述的基于向量机模型的数据审批方法，其特征在于，所述基于所述审批对象审批所述申请字段信息的步骤具体包括：

获取预设审批顺序；

按照所述预设审批顺序依次匹配所述申请字段信息对应的审批对象，在所有所述审批对象均审批通过时，确定所述申请字段信息审批通过。

7.根据权利要求1所述的基于向量机模型的数据审批方法，其特征在于，在所述获取申请人的申请字段信息的步骤之后还包括：

确定所述申请字段信息是否为加密信息，在所述申请字段信息为所述加密信息时，获取所述申请字段信息对应的密钥信息；

根据所述密钥信息对所述申请字段信息进行解密。

8.一种基于向量机模型的数据审批装置，其特征在于，包括：

获取模块，用于在接收到审批申请时，获取申请人的申请字段信息，并计算所述申请字段信息中每个字段的权重值和基础字段值；

处理模块，用于根据所述权重值和所述基础字段值，计算所述申请字段信息的输入字段值，通过预设的审批向量机模型对所述输入字段值进行计算，得到所述申请字段信息的推荐值；

匹配模块，用于获取所述推荐值对应的划分范围，根据所述划分范围匹配对应的审批对象，基于所述审批对象审批所述申请字段信息。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于向量机模型的数据审批方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于向量机模型的数据审批方法的步骤。

Images