CN112182164A - 一种高维数据特征处理方法及系统 - Google Patents
一种高维数据特征处理方法及系统 Download PDFInfo
- Publication number
- CN112182164A CN112182164A CN202011111899.6A CN202011111899A CN112182164A CN 112182164 A CN112182164 A CN 112182164A CN 202011111899 A CN202011111899 A CN 202011111899A CN 112182164 A CN112182164 A CN 112182164A
- Authority
- CN
- China
- Prior art keywords
- data
- dimensional
- feature
- processing
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 96
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 230000009467 reduction Effects 0.000 claims abstract description 8
- 230000007717 exclusion Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 abstract description 17
- 230000008569 process Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Document Processing Apparatus (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种高维数据特征处理方法,包括如下步骤:获取进行文本处理任务的高维原始数据;对所述高维原始数据进行特征提取以及降维处理,获得特征数据。本发明可针对高维数据中的三种特殊类型数据进行有效处理,根据数据结构的特点对特征提取采用相适应方法,降低特征向量维度,提升高维数据特征的有效性。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种高维数据特征处理方法及系统。
背景技术
随着人工智能的发展,机器学习作为核心技术的重要组成部分,也迎来了很高的关注度。然而利用机器学习进行文本处理任务时,其输入的原始数据往往具有很高的维度,如何对高维的原始数据进行特征处理,构造出高质量的特征数据,一直是机器学习研究者们面临的一大难题。对于高维数据的特征处理,至今仍未有一个统一且高效的处理方法。
对于现在的很多基于深度学习的文本处理任务来说,大多数工作者一直延用着常用的两种基本处理策略。第一种,通过遍历在数据中出现的所有字符、数字以及特殊符号,根据一定的准则构造一个字典,然后通过在字典中查找字符索引来构建特征向量;第二种,通过遍历数据中出现的所有字符串及数字,以字符串和数字的方式来构造字典,然后通过在字典中直接查找相应的字符串及数字,构建特征向量。
然而以上两种处理策略面向特殊数据时仍存在以下问题:
1、当面临多个同类属性使用0/1来记录或者使用one-hot编码属性的数据情况时,如果采用以上的方法进行性能特征数据处理的话,很容易得到一个高维且稀疏的特征向量,不仅在模型的训练过程中需花费大量的资源,而且由于特征向量过于稀疏,导致模型的训练效果差;
2、当面临特殊长序列数字特征(如日期2020.08.28,时间12:31:29等),如果直接采用以上的方法进行特征构造时,很容易产生特征向量分布稀疏且整体偏差过大的情况,一定程度的会影响模型的训练效果。
发明内容
本申请实施例提供了一种高维数据特征处理方法,以至少解决相关技术中主观因素影响的问题。
本发明提供了一种高维数据特征处理方法,所述方法包括以下步骤:
S1、获取进行文本处理任务的高维原始数据;
S2、对所述高维原始数据进行特征提取以及降维处理,获得特征数据。
作为本发明的进一步改进,所述步骤S2具体包括以下步骤:
S21、判断所述高维原始数据的数据类型;
S22、若所述数据类型为基于固定标记值且同类多属性不互斥的特征数据,则基于8421编码进行特征处理;
S23、若所述数据类型为基于固定标记值且同类多属性互斥的特征数据,则基于索引进行特征处理;
S24、若所述数据类型为具有特殊字符的长序列统计量,则基于特殊长序列编码进行特征处理。
作为本发明的进一步改进,所述步骤S22具体包括以下步骤:
S221、将所述高维原始数据中同类别的不同属性字段的统计值进行拼接,形成一个数值或字符序列;
S222、基于一定规则将所述数值或字符序列转化为01字符串;
S223、将所述01字符串以二进制数的形式转化为十进制数,获得所述特征数据。
作为本发明的进一步改进,所述步骤S23具体包括以下步骤:
S231、将所述高维原始数据的多属性按照一定规则固定排序;
S232、获取排序后的所述多属性中标记为正的属性的序列索引,以所述序列索引的值作为所述多属性的一维特征表示,获得所述特征数据。
作为本发明的进一步改进,所述步骤S24具体包括以下步骤:
S241、去除所述高维原始数据中的特殊符号;
S242、将去除特殊符号后的所述高维原始数据中的其余字符或字符串转化为数字编码;
S243、将所述数字编码的所有数值进行归一化处理,获得所述特征数据。
基于相同发明思想,本申请还基于上述任一项发明创造所揭示的高维数据特征处理方法,揭示了一种高维数据特征处理系统,
所述高维数据特征处理系统包括:
数据获取模块,获取进行文本处理任务的高维原始数据;
特征提取模块,对所述高维原始数据进行特征提取以及降维处理,获得特征数据。
作为本发明的进一步改进,所述特征提取模块包括:
数据类型判断模块,判断所述高维原始数据的数据类型;
第一特征处理模块,若所述数据类型为基于固定标记值且同类多属性不互斥的特征数据,则基于8421编码进行特征处理;
第二特征处理模块,若所述数据类型为基于固定标记值且同类多属性互斥的特征数据,则基于索引进行特征处理;
第三特征处理模块,若所述数据类型为具有特殊字符的长序列统计量,则基于特殊长序列编码进行特征处理。
作为本发明的进一步改进,所述第一特征处理模块包括:
统计值拼接模块,将所述高维原始数据中同类别的不同属性字段的统计值进行拼接,形成一个数值或字符序列;
字符串转化模块,基于一定规则将所述数值或字符序列转化为01字符串;
第一特征获取模块,将所述01字符串以二进制数的形式转化为十进制数,获得所述特征数据。
作为本发明的进一步改进,所述第二特征处理模块包括:
排序模块,将所述高维原始数据的多属性按照一定规则固定排序;
第二特征获取模块,获取所述多属性中标记为正的属性的序列索引,以所述序列索引的值作为所述多属性的一维特征表示,获得所述特征数据。
作为本发明的进一步改进,所述第三特征处理模块包括:
特殊符号去除模块,去除所述高维原始数据中的特殊符号;
数字编码转化模块,将去除特殊符号后的所述高维原始数据中的其余字符或字符串转化为数字编码;
第三特征获取模块,将所述数字编码的所有数值进行归一化处理,获得所述特征数据。
与现有技术相比,本发明的有益效果如下:
1、提出了一种高维数据特征处理方法,面对大量目标原始数据,获取数据特征向量以对模型进行有效训练;
2、针对高维数据中的特殊数据类型(如0/1统计量、one-hot编码、特殊长序列等)进行有效的处理,降低特征向量的维度,提升特征向量的有效性;
3、构造高质量的特征数据,从而在进行模型训练时提取出有效信息,提升模型在目标任务中的表现。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本发明实施例提供的一种高维数据特征处理方法整体流程图;
图2是图1所揭示的步骤S2的整体流程图;
图3是图2所揭示的步骤S22的整体流程图;
图4是基于8421编码进行特征处理的整体流程图;
图5是图2所揭示的步骤S23的整体流程图;
图6为基于索引进行特征处理的整体流程图;
图7是图2所揭示的步骤S24的整体流程图;
图8是基于特殊长序列编码进行特征处理的整体流程图;
图9是本发明实施例提供的一种高维数据特征处理系统结构框架图;
图10是根据本发明实施例的计算机设备的框架图;
以上图中:
100、数据获取模块;200、特征提取模块;201、数据类型判断模块;202、第一特征处理模块;203、第二特征处理模块;204、第三特征处理模块;2021、统计值拼接模块;2022、字符串转化模块;2023、第一特征获取模块;2031、排序模块;2032、第二特征获取模块;2041、特殊符号去除模块;2042、数字编码转化模块;2043、第三特征获取模块;80、总线;81、处理器;82、存储器;83、通信接口。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“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。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保护范围之内。
在详细阐述本发明各个实施例之前,对本发明的核心发明思想予以概述,并通过下述若干实施例予以详细阐述。
本发明根据数据结构特征对高维数据中的特殊类型数据进行特征提取,有效降低特征向量维度,提升特征向量有效性。
实施例一:
参照图1至图8所示,本实例揭示了一种高维数据特征处理方法(以下简称“方法”)的具体实施方式。
具体而言参照图1所示,本实施例所揭示的方法主要包括以下步骤:
S1、获取进行文本处理任务的高维原始数据;
S2、对所述高维原始数据进行特征提取以及降维处理,获得特征数据。
在其中一些实施例中,参照图2,步骤S2具体包括以下步骤:
S21、判断所述高维原始数据的数据类型;
S22、若所述数据类型为基于固定标记值且同类多属性不互斥的特征数据,则基于8421编码进行特征处理;
S23、若所述数据类型为基于固定标记值且同类多属性互斥的特征数据,则基于索引进行特征处理;
S24、若所述数据类型为具有特殊字符的长序列统计量,则基于特殊长序列编码进行特征处理。
具体而言,基于固定标记值且同类多属性不互斥的特征数据,如0/1,T/F等;基于固定标记值且同类多属性互斥的特征数据,如one-hot编码等;具有特殊字符的长序列统计量,如日期2020.08.28,时间12:31:29等。
然后,参照图3执行步骤S22、若所述数据类型为基于固定标记值且同类多属性不互斥的特征数据,则基于8421编码进行特征处理。
具体而言,步骤S22包括以下内容:
S221、将所述高维原始数据中同类别的不同属性字段的统计值进行拼接,形成一个数值或字符序列;
S222、基于一定规则将所述数值或字符序列转化为01字符串;
S223、将所述01字符串以二进制数的形式转化为十进制数,获得所述特征数据。
其中,8421码又称为BCD码,是十进制代码中最常用的一种。在这种编码方式中,每一位二值代码的“1”都代表一个固定数值。将每位“1”所代表的二进制数加起来就可以得到它所代表的十进制数字。因为代码中从左至右看每一位“1”分别代表数字“8”“4”“2”“1”,故称为8421码,因为每位的权都是固定不变的,所以8421码是恒权码。
举例来说,如图4所示为基于8421编码进行特征处理的一整体流程图,首先对用户1针对不同物品的购买统计值进行拼接,得到“TFTF”,基于T对应1,F对应0的规则将“THTF”转化为“1010”,将“1010”以二进制的形式转化为十进制“10”,即可得到多个属性压缩到一个维度且能有效表征的量。
参照图5执行步骤S23、若所述数据类型为基于固定标记值且同类多属性互斥的特征数据,则基于索引进行特征处理。
具体而言,步骤S23包括以下内容:
S231、将所述高维原始数据的多属性按照一定规则固定排序;
S232、获取排序后的所述多属性中标记为正的属性的序列索引,以所述序列索引的值作为所述多属性的一维特征表示,获得所述特征数据。
其中在关系数据库中,索引是一种单独的、物理的对数据库表中一列或多列的值进行排序的一种存储结构,它是某个表中一列或若干列值的集合和相应的指向表中物理标识这些值的数据页的逻辑指针清单。索引的作用相当于图书的目录,可以根据目录中的页码快速找到所需的内容。
举例来说,如图6所示为基于索引进行特征处理的一整体流程图,首先对用户性别情况,按照不明、男、女顺序进行排序,将用户所对应的性别标记为正,即“1”,其次设置用户性别情况索引值,即“不明-0”,“男-1”,“女-2”,最后获取用户属性中标记为正的属性的索引值,以索引值作为多属性的一维特征表示。
参照图7执行步骤S24、若所述数据类型为具有特殊字符的长序列统计量,则基于特殊长序列编码进行特征处理。
具体而言,步骤S24包括以下内容:
S241、去除所述高维原始数据中的特殊符号;
S242、将去除特殊符号后的所述高维原始数据中的其余字符或字符串转化为数字编码;
S243、将所述数字编码的所有数值进行归一化处理,获得所述特征数据。
举例来说,如图8所示为基于特殊长序列编码进行特征处理的一整体流程图,首先去除用户1的注册时间中的特殊符号,得到“133306”数字编码,对数字编码进行归一化处理,得到特征数据“0.56789”。
通过本实施例所揭示的一种高维数据特征处理方法,面对大量目标原始数据,获取数据特征向量以对模型进行有效训练,针对高维数据中的特殊数据类型(如0/1统计量、one-hot编码、特殊长序列等)进行有效的处理,降低特征向量的维度,提升特征向量的有效性,构造高质量的特征数据,从而在进行模型训练时提取出有效信息,提升模型在目标任务中的表现。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
实施例二:
结合实施例一所揭示的一种高维数据特征处理方法,本实施例揭示了一种高维数据特征处理系统(以下简称“系统”)的具体实施示例。
参照图9所示,所述系统包括:
数据获取模块100,获取进行文本处理任务的高维原始数据;
特征提取模块200,对所述高维原始数据进行特征提取以及降维处理,获得特征数据。
在其中一些实施例中,特征提取模块200中包括:
数据类型判断模块201,判断所述高维原始数据的数据类型;
第一特征处理模块202,若所述数据类型为基于固定标记值且同类多属性不互斥的特征数据,则基于8421编码进行特征处理;
第二特征处理模块203,若所述数据类型为基于固定标记值且同类多属性互斥的特征数据,则基于索引进行特征处理;
第三特征处理模块204,若所述数据类型为具有特殊字符的长序列统计量,则基于特殊长序列编码进行特征处理。
在其中一些实施例中,第一特征处理模块202中包括:
统计值拼接模块2021,将所述高维原始数据中同类别的不同属性字段的统计值进行拼接,形成一个数值或字符序列;
字符串转化模块2022,基于一定规则将所述数值或字符序列转化为01字符串;
第一特征获取模块2023,将所述01字符串以二进制数的形式转化为十进制数,获得所述特征数据。
在其中一些实施例中,第二特征处理模块203中包括:
排序模块2031,将所述高维原始数据的多属性按照一定规则固定排序;
第二特征获取模块2032,获取所述多属性中标记为正的属性的序列索引,以所述序列索引的值作为所述多属性的一维特征表示,获得所述特征数据。
在其中一些实施例中,第三特征处理模块204中包括:
特殊符号去除模块2041,去除所述高维原始数据中的特殊符号;
数字编码转化模块2042,将去除特殊符号后的所述高维原始数据中的其余字符或字符串转化为数字编码;
第三特征获取模块2043,将所述数字编码的所有数值进行归一化处理,获得所述特征数据。
本实施例所揭示的一种高维数据特征处理系统与实施例一所揭示的一种高维数据特征处理方法中其余相同部分的技术方案,请参考实施例一所述,在此不再赘述。
实施例三:
结合图10所示,本实施例揭示了一种计算机设备的一种具体实施方式。计算机设备可以包括处理器81以及存储有计算机程序指令的存储器82。
具体地,上述处理器81可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器82可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器82可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器82可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器82可在数据处理装置的内部或外部。在特定实施例中,存储器82是非易失性(Non-Volatile)存储器。在特定实施例中,存储器82包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器82可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器81所执行的可能的计算机程序指令。
处理器81通过读取并执行存储器82中存储的计算机程序指令,以实现上述实施例中的任意一种高维数据特征处理方法。
在其中一些实施例中,计算机设备还可包括通信接口83和总线80。其中,如图10所示,处理器81、存储器82、通信接口83通过总线80连接并完成相互间的通信。
通信接口83用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口83还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线80包括硬件、软件或两者,将计算机设备的部件彼此耦接在一起。总线80包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线80可包括图形加速接口(Accel erated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(Front Side Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线80可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该计算机设备可以基于数据结构特点对高维数据进行特征提取,降维处理,从而实现结合图1描述的方法。
另外,结合上述实施例中高维数据特征处理方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种高维数据特征处理方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
综上所述,基于本发明的有益效果在于,提出了一种高维数据特征处理方法,面对大量目标原始数据,获取数据特征向量以对模型进行有效训练,针对高维数据中的特殊数据类型(如0/1统计量、one-hot编码、特殊长序列等)进行有效的处理,降低特征向量的维度,提升特征向量的有效性,构造高质量的特征数据,从而在进行模型训练时提取出有效信息,提升模型在目标任务中的表现。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种高维数据特征处理方法,其特征在于,包括如下步骤:
S1、获取进行文本处理任务的高维原始数据;
S2、对所述高维原始数据进行特征提取以及降维处理,获得特征数据。
2.如权利要求1所述的一种高维数据特征处理方法,其特征在于,所述步骤S2具体包括以下步骤:
S21、判断所述高维原始数据的数据类型;
S22、若所述数据类型为基于固定标记值且同类多属性不互斥的特征数据,则基于8421编码进行特征处理;
S23、若所述数据类型为基于固定标记值且同类多属性互斥的特征数据,则基于索引进行特征处理;
S24、若所述数据类型为具有特殊字符的长序列统计量,则基于特殊长序列编码进行特征处理。
3.如权利要求2所述的一种高维数据特征处理方法,其特征在于,所述步骤S22具体包括以下步骤:
S221、将所述高维原始数据中同类别的不同属性字段的统计值进行拼接,形成一个数值或字符序列;
S222、基于一定规则将所述数值或字符序列转化为01字符串;
S223、将所述01字符串以二进制数的形式转化为十进制数,获得所述特征数据。
4.如权利要求2所述的一种高维数据特征处理方法,其特征在于,所述步骤S23具体包括以下步骤:
S231、将所述高维原始数据的多属性按照一定规则固定排序;
S232、获取排序后的所述多属性中标记为正的属性的序列索引,以所述序列索引的值作为所述多属性的一维特征表示,获得所述特征数据。
5.如权利要求2所述的一种高维数据特征处理方法,其特征在于,所述步骤S24具体包括以下步骤:
S241、去除所述高维原始数据中的特殊符号;
S242、将去除特殊符号后的所述高维原始数据中的其余字符或字符串转化为数字编码;
S243、将所述数字编码的所有数值进行归一化处理,获得所述特征数据。
6.一种高维数据特征处理系统,运行如权利要求1至5中任一项所述的高维数据特征处理方法,其特征在于,
所述高维数据特征处理系统包括:
数据获取模块,获取进行文本处理任务的高维原始数据;
特征提取模块,对所述高维原始数据进行特征提取以及降维处理,获得特征数据。
7.如权利要求6所述的一种高维数据特征处理系统,其特征在于,所述特征提取模块包括:
数据类型判断模块,判断所述高维原始数据的数据类型;
第一特征处理模块,若所述数据类型为基于固定标记值且同类多属性不互斥的特征数据,则基于8421编码进行特征处理;
第二特征处理模块,若所述数据类型为基于固定标记值且同类多属性互斥的特征数据,则基于索引进行特征处理;
第三特征处理模块,若所述数据类型为具有特殊字符的长序列统计量,则基于特殊长序列编码进行特征处理。
8.如权利要求7所述的一种高维数据特征处理系统,其特征在于,所述第一特征处理模块包括:
统计值拼接模块,将所述高维原始数据中同类别的不同属性字段的统计值进行拼接,形成一个数值或字符序列;
字符串转化模块,基于一定规则将所述数值或字符序列转化为01字符串;
第一特征获取模块,将所述01字符串以二进制数的形式转化为十进制数,获得所述特征数据。
9.如权利要求7所述的一种高维数据特征处理系统,其特征在于,所述第二特征处理模块包括:
排序模块,将所述高维原始数据的多属性按照一定规则固定排序;
第二特征获取模块,获取所述多属性中标记为正的属性的序列索引,以所述序列索引的值作为所述多属性的一维特征表示,获得所述特征数据。
10.如权利要求7所述的一种高维数据特征处理系统,其特征在于,所述第三特征处理模块包括:
特殊符号去除模块,去除所述高维原始数据中的特殊符号;
数字编码转化模块,将去除特殊符号后的所述高维原始数据中的其余字符或字符串转化为数字编码;
第三特征获取模块,将所述数字编码的所有数值进行归一化处理,获得所述特征数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011111899.6A CN112182164B (zh) | 2020-10-16 | 2020-10-16 | 一种高维数据特征处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011111899.6A CN112182164B (zh) | 2020-10-16 | 2020-10-16 | 一种高维数据特征处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112182164A true CN112182164A (zh) | 2021-01-05 |
CN112182164B CN112182164B (zh) | 2024-02-23 |
Family
ID=73949661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011111899.6A Active CN112182164B (zh) | 2020-10-16 | 2020-10-16 | 一种高维数据特征处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112182164B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115952175A (zh) * | 2023-03-14 | 2023-04-11 | 乐山师范学院 | 一种数据库索引构建方法、装置、计算机设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460161A (zh) * | 2020-04-02 | 2020-07-28 | 西安邮电大学 | 面向不均衡大数据集的无监督文本主题相关基因提取方法 |
-
2020
- 2020-10-16 CN CN202011111899.6A patent/CN112182164B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460161A (zh) * | 2020-04-02 | 2020-07-28 | 西安邮电大学 | 面向不均衡大数据集的无监督文本主题相关基因提取方法 |
Non-Patent Citations (1)
Title |
---|
邱均平;王菲菲;: "时间序列相似性查询与索引方法研究", 山东图书馆学刊 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115952175A (zh) * | 2023-03-14 | 2023-04-11 | 乐山师范学院 | 一种数据库索引构建方法、装置、计算机设备及存储介质 |
CN115952175B (zh) * | 2023-03-14 | 2023-05-30 | 乐山师范学院 | 一种数据库索引构建方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112182164B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110851598B (zh) | 文本分类方法、装置、终端设备及存储介质 | |
CN112199937B (zh) | 一种短文本相似度分析方法及其系统、计算机设备、介质 | |
CN109993216B (zh) | 一种基于k最近邻knn的文本分类方法及其设备 | |
CN114330475A (zh) | 内容匹配方法、装置、设备、存储介质及计算机程序产品 | |
US20200364216A1 (en) | Method, apparatus and storage medium for updating model parameter | |
CN116050397B (zh) | 一种长文本摘要生成方法、系统、设备及存储介质 | |
CN112464640A (zh) | 数据要素分析方法、装置、电子装置和存储介质 | |
CN115018588A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN112818117A (zh) | 标签映射方法、系统、计算机可读存储介质 | |
CN112232070A (zh) | 自然语言处理模型构建方法、系统、电子设备及存储介质 | |
CN115618866A (zh) | 一种工程项目投标文件的段落识别与主题提取方法及系统 | |
CN112182164A (zh) | 一种高维数据特征处理方法及系统 | |
CN114238746A (zh) | 跨模态检索方法、装置、设备及存储介质 | |
CN113139383A (zh) | 一种文档排序方法、系统、电子设备及存储介质 | |
CN113515620A (zh) | 电力设备技术标准文档排序方法、装置、电子设备和介质 | |
CN111553442A (zh) | 一种分类器链标签序列的优化方法及系统 | |
CN111160445A (zh) | 投标文件相似度计算方法及装置 | |
WO2018136371A1 (en) | Compressed encoding for bit sequence | |
CN115688788A (zh) | 用于审计领域的命名实体识别模型的训练方法及相关设备 | |
CN112380348B (zh) | 元数据处理方法、装置、电子设备及计算机可读存储介质 | |
CN115017267A (zh) | 无监督的语义检索方法、装置及计算机可读存储介质 | |
CN112446204A (zh) | 一种文档标签的确定方法、系统及计算机设备 | |
CN111209747B (zh) | 一种词向量文件加载方法、装置、存储介质及电子设备 | |
CN113742525A (zh) | 自监督视频哈希学习方法、系统、电子设备及存储介质 | |
CN113128231A (zh) | 一种数据质检方法、装置、存储介质和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |