CN113220801A - 一种结构化数据分类方法、装置、设备及介质 - Google Patents
一种结构化数据分类方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113220801A CN113220801A CN202110538741.5A CN202110538741A CN113220801A CN 113220801 A CN113220801 A CN 113220801A CN 202110538741 A CN202110538741 A CN 202110538741A CN 113220801 A CN113220801 A CN 113220801A
- Authority
- CN
- China
- Prior art keywords
- field
- scoring
- model
- deep learning
- learning model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000013136 deep learning model Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 22
- 230000014509 gene expression Effects 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000013475 authorization Methods 0.000 claims description 6
- 238000003058 natural language processing Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 12
- 230000006872 improvement Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 230000003068 static 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例提供一种结构化数据分类方法、装置、设备及介质。所述方法包括：对结构化数据库内存储的一个或多个表执行采样操作，以便获取所述表对应的字段集合；获取所述字段集合内各字段对应的字段信息，利用预先配置的打分规则或打分模型对所述字段信息执行打分操作，得到所述字段对应的打分结果；其中，所述打分结果能够模糊表征所述字段的类别；根据所述字段对应的打分结果对预定的深度学习模型进行训练，得到训练后的深度学习模型；利用所述训练后的深度学习模型，对未知类别的结构化数据的字段进行预测，根据预测结果确定所述结构化数据对应的类别。
Description
技术领域
本说明书涉及数据处理技术领域，尤其涉及一种结构化数据分类方法、装置、设备及介质。
背景技术
随着互联网与大数据技术的广泛应用，网络数据安全得到了各级政府及企事业单位的高度重视，尤其伴随国家对用户隐私保护的愈加重视，推出了各种数据安全和隐私保护的法律法规。互联网公司在正常业务过程中会收集各种用户数据，例如在取得用户授权的情况下收集手机号、身份证号、银行卡号等个人隐私数据。在对用户数据进行安全隐私保护时，需要对企业保存的用户数据进行分类和分级，然后进一步按照国家规定对不同安全级别的数据进行保护，因此可见数据分类是用户隐私保护的基础。
在现有技术中，目前针对结构化数据进行分类的算法，主要是基于数据库中相关信息的专家规则以及人工标记的方式进行判断，而专家规则往往难以包含全部可能的情况，在准确率和召回率上难以权衡，且维护成本极大；人工标记的方式存在工作量大，不可扩展性等问题。
基于现有技术，需要提供一种具有更高准确率和召回率，无需大量的人工标记，具有可扩展性的分类方案。
发明内容
本说明书实施例提供一种结构化数据分类方法、装置、设备及介质，以解决现有技术存在的准确率和召回率低，维护成本高，需要大量人工标记，不具有可扩展性的问题。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种结构化数据分类方法，所述方法包括：
对结构化数据库内存储的一个或多个表执行采样操作，以便获取所述表对应的字段集合；
获取所述字段集合内各字段对应的字段信息，利用预先配置的打分规则或打分模型对所述字段信息执行打分操作，得到所述字段对应的打分结果；其中，所述打分结果能够模糊表征所述字段的类别；
根据所述字段对应的打分结果对预定的深度学习模型进行训练，得到训练后的深度学习模型；
利用所述训练后的深度学习模型，对未知类别的结构化数据的字段进行预测，根据预测结果确定所述结构化数据对应的类别。
本说明书实施例提供的一种结构化数据分类装置，所述装置包括：
采样模块，用于对结构化数据库内存储的一个或多个表执行采样操作，以便获取所述表对应的字段集合；
打分模块，用于获取所述字段集合内各字段对应的字段信息，利用预先配置的打分规则或打分模型对所述字段信息执行打分操作，得到所述字段对应的打分结果；其中，所述打分结果能够模糊表征所述字段的类别；
训练模块，用于根据所述字段对应的打分结果对预定的深度学习模型进行训练，得到训练后的深度学习模型；
预测模块，用于利用所述训练后的深度学习模型，对未知类别的结构化数据的字段进行预测，根据预测结果确定所述结构化数据对应的类别。
本说明书实施例提供的一种结构化数据分类设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
对结构化数据库内存储的一个或多个表执行采样操作，以便获取所述表对应的字段集合；
获取所述字段集合内各字段对应的字段信息，利用预先配置的打分规则或打分模型对所述字段信息执行打分操作，得到所述字段对应的打分结果；其中，所述打分结果能够模糊表征所述字段的类别；
根据所述字段对应的打分结果对预定的深度学习模型进行训练，得到训练后的深度学习模型；
利用所述训练后的深度学习模型，对未知类别的结构化数据的字段进行预测，根据预测结果确定所述结构化数据对应的类别。
本说明书实施例提供的一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现上述一种结构化数据分类方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
通过对结构化数据库内存储的一个或多个表执行采样操作，以便获取表对应的字段集合；获取字段集合内各字段对应的字段信息，利用预先配置的打分规则或打分模型对字段信息执行打分操作，得到字段对应的打分结果；其中，打分结果能够模糊表征字段的类别；根据字段对应的打分结果对预定的深度学习模型进行训练，得到训练后的深度学习模型；利用训练后的深度学习模型，对未知类别的结构化数据的字段进行预测，根据预测结果确定结构化数据对应的类别。基于本方案，利用打分规则或者打分模型对用于训练深度学习模型的字段进行打分，得到的得分结果能够模糊地表征字段的类别，即打分结果中可能存在噪音，再通过这种包含噪音的打分结果来训练深度学习模型，从而自动学习出如何过滤噪音，做出正确的选择，使得利用训练后的深度学习模型对进行未知类别的字段识别时，能够获得更好的准确率和召回率，并且这种方式不需要大量的人工标记，具有可扩展性。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种结构化数据分类方法的流程示意图；
图2为本说明书实施例提供的对应于图1的一种结构化数据分类装置的结构示意图；
图3为本说明书实施例提供的对应于图1的一种结构化数据分类设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，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。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
如前文所述，互联网公司在正常业务过程中会收集各种用户数据，用户数据通常会以表格的形式保存在关系数据库(即结构化数据库)里，因此也称为结构化数据。在对用户数据进行隐私保护时，需要按照国家规定对不同安全级别的用户数据进行保护，而不同类别的用户数据往往对应不同的级别，因此，对用户数据进行分类是用户隐私保护的一项基础任务。
目前主要的结构化数据分类算法主要分为两种，第一种，基于数据库中的字段特征和字段的注释信息的正则表达式进行分类，而无论是字段特征还是字段的注释信息，正则表达式属于一种专家规则，利用正则表达式难以穷尽全部可能情况，在准确率和召回率上难以权衡，而且维护成本极大；第二种，以人工标记的方式进行分类，这种方式工作量巨大，不具有可扩展性，尤其在互联网公司，由于业务发展快速，数据库结构经常发生变化，因此几乎无法使用人工标记的方式。
需要说明的是，本说明书以下实施例是以数据安全及隐私保护作为应用场景来描述的，结构化数据库中主要存储的是与用户隐私相关的数据(如用户姓名、手机号、身份证号、银行卡号等)，但是在实际应用中，本方案不限于数据安全及隐私保护的技术场景，对于非用户隐私数据进行数据分类时，同样适用于本方案；另外，本方案的执行主体可以是服务器，也可以是其他终端设备，例如PC、平板电脑、移动终端等，可以通过运行在上述服务器或终端设备中的代码或者程序来实现相关操作。下面以用户隐私数据分类场景为例，对本说明书的方案进行详细说明。
图1为本说明书实施例提供的一种结构化数据分类方法的流程示意图，该方法具体可以包括以下步骤：
在步骤S110中，对结构化数据库内存储的一个或多个表执行采样操作，以便获取所述表对应的字段集合。
在本说明书一个或多个实施例中，结构化数据库可以是采用分布式结构的数据库，例如可以采用区块链技术的分布式数据库，在采用区块链对用户隐私数据进行存储时，可以将用户隐私数据以表的形式存储在区块链的分布式节点中。在实际应用中，结构化数据库不限于分布式结构的数据库，独立数据库或者集群式数据库同样适用于本方案。
进一步地，在本说明书实施例中，结构化数据库内存储的数据可以是来源于企业在正常的业务运行过程中所收集到的用户的个人隐私数据，因此，在收集这部分数据时，需要先向用户发送授权请求，在取得用户的授权后再获取用户数据。
另外，在对结构化数据库内的表进行采样时，同样需要向用户数据的收集方(比如互联网企业)发送数据采样请求，在取得互联网企业授权的情况下，从结构化数据库中针对已经授权的表进行采样，即确定表的授权状态，对已经得到授权的表执行采样操作。
在对表进行采样时，采样的数据粒度可以到字段级别，字段可以理解为表中的列，同一列下的字段属于一类字段，例如，用户隐私数据表中的用户标识、用户名称、用户身份证号、用户卡号等都对应一类字段或者称为一种字段。对于表中的同一类字段需要至少采样预设行数的字段(比如采样K行字段)，假设需要采集表中X类的字段，即采样X种字段时，那么所有采集到的字段所组成的字段集合内的字段个数为K*X，也就是说，采样将会产生K*X个数据集，每个数据集对应表中的一个字段值。
在本说明书一具体实施例中，如下表1(web_user表)中所展示出的字段信息；
表1web_user表
| userId | name | card number |
| 1 | zhangsan | 11022819901026xxxx |
| 2 | xiaoming | 13018219890120xxxx |
| 3 | laowang | 33080319890917xxxx |
| …… | …… | …… |
在该web_user表中userId、name和card number分别属于三个不同的字段，在对该表进行采样时，可以采集这三个字段下面分别对应的K(K≥1000)行字段，当取K的值为1000时，总采集到的字段对应的数据集的个数为K*X＝1000*3。
在步骤S120中，获取所述字段集合内各字段对应的字段信息，利用预先配置的打分规则或打分模型对所述字段信息执行打分操作，得到所述字段对应的打分结果；其中，所述打分结果能够模糊表征所述字段的类别。
在本说明书一个或多个实施例中，在对每个字段进行打分之前，需要先获取步骤S110中得到的字段集合内的每个字段对应的字段信息，其中，所述字段信息包含字段的值以及字段的注释信息；字段的值是指字段所描述的特征，例如上表1中的zhangsan就是name字段下的字段值，字段的注释信息是指对表中的每一类字段所作的注释描述。
具体地，在本说明书实施例中，将各个字段所对应的字段的值以及字段的注释信息作为输入，利用预先配置的打分规则或打分模型对其进行打分，得到各个字段分别对应的打分结果，并将所述打分结果上传至区块链中的节点；下面结合实施例对打分规则及打分模型的内容和原理进行详细描述，具体包括以下内容：
预先配置的打分规则或打分模型为根据已知字段的类别所配置的打分规则或者打分模型；其中，
所述打分规则包括正则表达式，当已知字段的类别为多个时，根据为每个字段类别所配置的正则表达式生成规则集合，并利用该规则集合对每个字段进行打分得到由多个维度所组成的打分结果；
所述打分模型包括机器学习分类模型或者自然语言处理模型，该打分模型用于对字段所对应的字段信息进行打分预测，得到该字段分别属于某一字段类别的概率值。
在本说明书实施例中，当采用正则表达式的方式对字段打分时，可以根据已知的字段类型，为每个字段类型配置一个正则表达式，将所有字段类型对应的正则表达式放在一个规则集合中。例如，可以覆盖常见的字段类型，如手机号、身份证号、银行卡号等，将所述规则集合中的字段类型设为N。在使用该规则集合对采样的字段进行打分判断时，针对每个字段都可以得到一个维度为N的打分结果，那么对字段集合内的字段所输出的打分结果的数据集合为【K*X，N】。
以匹配手机号码的正则表达式为例，^((13[0-9])|(14[5,7])|(15[0-3,5-9])|(17[0,3,5-8])|(18[0-9])|166|198|199|(147))\\d{8}$，基于该正则表达式可以计算出字段对应的打分结果，如果命中打分规则，打分结果为1，反之为0。需要指出的是，本说明书实施例还可以为字段的注释信息设置正则表达式，将字段对应的正则表达式和字段注释信息的正则表达式放在同一个规则集合。
当采用打分模型的方式进行打分判断时，以自然语言处理模型为例，可以将字段的值以及字段的注释信息作为参数输入到自然语言处理模型中，自然语言处理模型根据参数计算打分函数，获得打分结果；例如，当判断一个字段是否为地址时，就可以返回该字段属于地址的概率值，即返回一个0-1之间的概率值。
在现实应用中，除了正则表达式和机器学习分类模型的方式外，还可以采用关键字列表等方式，以上字段打分方式不构成对本方案的限定。
在步骤S130中，根据所述字段对应的打分结果对预定的深度学习模型进行训练，得到训练后的深度学习模型。
在本说明书一个或多个实施例中，所述预定的深度学习模型为预先构建的编解码器，所述编解码器为基于深度学习框架的自定义模型；其中，
所述编解码器的结构中包含三个隐藏层，第一隐藏层和第三隐藏层之间的神经元个数相同，第二隐藏层的神经元个数小于第一隐藏层和第三隐藏层的神经元个数；在所述第一隐藏层和第二隐藏层之间添加高斯白噪音。
在本说明书一具体实施例中，编解码器可以是基于深度学习网络模型框架所自定义的模型，编解码器采用三个隐藏层结构，第一隐藏层和第三隐藏层的神经元个数为X，第二隐藏层的神经元个数为Y，Y应当小于X。在实际应用中，为了进一步提高去噪能力，可以在第一隐藏层和第二隐藏层之间，随机增加一个均值为0，标准差为s的高斯白噪音(0＜s＜0.2)。
在本说明书实施例的自定义编解码器中，第一隐藏层到第二隐藏层可以认为是编码过程，该过程用于抽象化提取高级特征，第二隐藏层到第三隐藏层是解码过程，该过程用于特征还原。高斯白噪音的增加方式为，在第一隐藏层和第二隐藏层之间所输入的数据上随机增加一个函数值，此函数值能够起到高斯的噪音发生器的作用。
进一步地，在对编解码器执行训练之前，将执行步骤S110-S120后所得到的数据集合【K*X，N】随机划分为训练集和测试集，利用训练集训练构建的自定义编解码器，在所述编解码器的训练过程中，将损失函数设置为第一隐藏层的输入与第三隐藏层的输出之间的均方误差(MSE)。
在深度学习模型训练过程中通过定义损失函数，例如通过将第一隐藏层的输入与第三隐藏层的输出之间的均方误差作为损失函数，保证第一隐藏层的输入与第三隐藏层的输出尽量接近，即深度学习模型训练的过程是使损失函数越来越小，每次训练时损失函数反向传递来调整模型的参数，整个模型训练的过程可以认为是使损失函数越来越小的过程。
值得说明的是，通过以上方式训练出来的编解码器可以自动过滤掉脏数据(比如不属于已知类型的字段等)和噪音，避免噪音对模型预测的影响。本方案通过利用打分函数(即打分规则或打分模型)对字段进行第一次打分，由于正则表达式可能存在误报或者漏报的情况，因此该打分结果仅可以模糊表征字段所属的类别，而不是准确的分类结果。考虑这种情况，将第一次打分结果中存在的误报或者漏报等当作一种噪音，并通过额外增加高斯噪音发生器，来训练深度学习自编解码器，自动学习出如何过滤噪音，从而做出正确选择。由于本方案可以容忍不同的正则表达式存在误报或者漏报，因此基于本方案对结构化数据分类时，可以获得更好的准确率和召回率，并且不需要依赖大量的人工标记，具有可扩展性。
基于同样的思路，本说明书实施例还提供了一种结构化数据分类装置，如图2为本说明书实施例提供的一种结构化数据分类装置的结构示意图，该装置200主要包括：
采样模块201，用于对结构化数据库内存储的一个或多个表执行采样操作，以便获取所述表对应的字段集合；
打分模块202，用于获取所述字段集合内各字段对应的字段信息，利用预先配置的打分规则或打分模型对所述字段信息执行打分操作，得到所述字段对应的打分结果；其中，所述打分结果能够模糊表征所述字段的类别；
训练模块203，用于根据所述字段对应的打分结果对预定的深度学习模型进行训练，得到训练后的深度学习模型；
预测模块204，用于利用所述训练后的深度学习模型，对未知类别的结构化数据的字段进行预测，根据预测结果确定所述结构化数据对应的类别。
进一步地，所述字段信息包含字段的值以及字段的注释信息，所述打分模块202还用于：
将各个字段所对应的字段的值以及字段的注释信息作为输入，利用预先配置的打分规则或打分模型对其进行打分，得到各个字段分别对应的打分结果，并将所述打分结果上传至区块链中的节点。
进一步地，所述预先配置的打分规则或打分模型为根据已知字段的类别所配置的打分规则或者打分模型；其中，
所述打分规则包括正则表达式，当已知字段的类别为多个时，根据为每个字段类别所配置的正则表达式生成规则集合，并利用该规则集合对每个字段进行打分得到由多个维度所组成的打分结果；
所述打分模型包括机器学习分类模型或者自然语言处理模型，该打分模型用于对字段所对应的字段信息进行打分预测，得到该字段分别属于某一字段类别的概率值。
进一步地，所述预定的深度学习模型为预先构建的编解码器，所述编解码器为基于深度学习框架的自定义模型；其中，
所述编解码器的结构中包含三个隐藏层，第一隐藏层和第三隐藏层之间的神经元个数相同，第二隐藏层的神经元个数小于第一隐藏层和第三隐藏层的神经元个数；在所述第一隐藏层和第二隐藏层之间添加高斯白噪音。
进一步地，所述训练模块203还用于：
在所述编解码器的训练过程中，将损失函数设置为第一隐藏层的输入与第三隐藏层的输出之间的均方误差。
基于同样的思路，本说明书实施例还提供了上述方法对应的设备，图3为本说明书实施例提供的对应于图1的一种结构化数据分类设备的结构示意图。如图3所示，设备300可以包括：
至少一个处理器310；以及，
与所述至少一个处理器通信连接的存储器330；其中，
所述存储器330存储有可被所述至少一个处理器310执行的指令320，所述指令被所述至少一个处理器310执行，以使所述至少一个处理器310能够：
对结构化数据库内存储的一个或多个表执行采样操作，以便获取所述表对应的字段集合；
获取所述字段集合内各字段对应的字段信息，利用预先配置的打分规则或打分模型对所述字段信息执行打分操作，得到所述字段对应的打分结果；其中，所述打分结果能够模糊表征所述字段的类别；
根据所述字段对应的打分结果对预定的深度学习模型进行训练，得到训练后的深度学习模型；
利用所述训练后的深度学习模型，对未知类别的结构化数据的字段进行预测，根据预测结果确定所述结构化数据对应的类别。
基于同样的思路，本说明书实施例还提供了上述方法对应的计算机可读介质，计算机可读介质上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现上述结构化数据分类方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (13)
1.一种结构化数据分类方法，所述方法包括：
对结构化数据库内存储的一个或多个表执行采样操作，以便获取所述表对应的字段集合；
获取所述字段集合内各字段对应的字段信息，利用预先配置的打分规则或打分模型对所述字段信息执行打分操作，得到所述字段对应的打分结果；其中，所述打分结果能够模糊表征所述字段的类别；
根据所述字段对应的打分结果对预定的深度学习模型进行训练，得到训练后的深度学习模型；
利用所述训练后的深度学习模型，对未知类别的结构化数据的字段进行预测，根据预测结果确定所述结构化数据对应的类别。
2.如权利要求1所述的方法，所述对结构化数据库内存储的一个或多个表执行采样操作，以便获取所述表对应的字段集合，包括：
所述结构化数据库包括采用区块链技术的分布式数据库，从区块链的节点中获取所述结构化数据库内的表，并确定所述表的授权状态，对已授权的表执行采样操作，得到该表对应的字段集合；
其中，所述表中至少包含一类字段，所述字段集合中包含每类字段对应的预设行数的字段。
3.如权利要求1所述的方法，所述字段信息包含字段的值以及字段的注释信息，所述利用预先配置的打分规则或打分模型对所述字段信息执行打分操作，得到所述字段对应的打分结果，包括：
将各个字段所对应的字段的值以及字段的注释信息作为输入，利用预先配置的打分规则或打分模型对其进行打分，得到各个字段分别对应的打分结果，并将所述打分结果上传至区块链中的节点。
4.如权利要求1或3所述的方法，所述预先配置的打分规则或打分模型为根据已知字段的类别所配置的打分规则或者打分模型；其中，
所述打分规则包括正则表达式，当已知字段的类别为多个时，根据为每个字段类别所配置的正则表达式生成规则集合，并利用该规则集合对每个字段进行打分得到由多个维度所组成的打分结果；
所述打分模型包括机器学习分类模型或者自然语言处理模型，该打分模型用于对字段所对应的字段信息进行打分预测，得到该字段分别属于某一字段类别的概率值。
5.如权利要求4所述的方法，所述方法还包括：
当采用打分规则对所述字段信息进行打分时，为每个字段类别对应的注释信息配置正则表达式，根据所述字段对应的正则表达式和字段对应注释信息的正则表达式生成规则集合。
6.如权利要求4所述的方法，所述方法还包括：
当采用打分模型对所述字段信息进行打分时，将所述字段的值以及字段的注释信息作为参数输入到打分模型中，以便打分模型根据参数计算打分函数，获得打分结果。
7.如权利要求4所述的方法，所述打分规则还包括关键字列表，利用根据已知字段的类别所预先配置的关键字列表对所述字段信息执行打分操作。
8.如权利要求1所述的方法，在所述根据所述字段对应的打分结果对预定的深度学习模型进行训练之前，还包括：
将多个维度的打分结果与字段集合进行整合得到数据集，将所述数据集划分为训练集和测试集，利用训练集对所述预定的深度学习模型进行训练；其中，所述字段集合中的每个字段均对应一个打分结果。
9.如权利要求1所述的方法，所述预定的深度学习模型为预先构建的编解码器，所述编解码器为基于深度学习框架的自定义模型；其中，
所述编解码器的结构中包含三个隐藏层，第一隐藏层和第三隐藏层之间的神经元个数相同，第二隐藏层的神经元个数小于第一隐藏层和第三隐藏层的神经元个数；在所述第一隐藏层和第二隐藏层之间添加高斯白噪音。
10.如权利要求9所述的方法，在所述编解码器的训练过程中，将损失函数设置为第一隐藏层的输入与第三隐藏层的输出之间的均方误差。
11.一种结构化数据分类装置，所述装置包括：
采样模块，用于对结构化数据库内存储的一个或多个表执行采样操作，以便获取所述表对应的字段集合；
打分模块，用于获取所述字段集合内各字段对应的字段信息，利用预先配置的打分规则或打分模型对所述字段信息执行打分操作，得到所述字段对应的打分结果；其中，所述打分结果能够模糊表征所述字段的类别；
训练模块，用于根据所述字段对应的打分结果对预定的深度学习模型进行训练，得到训练后的深度学习模型；
预测模块，用于利用所述训练后的深度学习模型，对未知类别的结构化数据的字段进行预测，根据预测结果确定所述结构化数据对应的类别。
12.一种结构化数据分类设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
对结构化数据库内存储的一个或多个表执行采样操作，以便获取所述表对应的字段集合；
获取所述字段集合内各字段对应的字段信息，利用预先配置的打分规则或打分模型对所述字段信息执行打分操作，得到所述字段对应的打分结果；其中，所述打分结果能够模糊表征所述字段的类别；
根据所述字段对应的打分结果对预定的深度学习模型进行训练，得到训练后的深度学习模型；
利用所述训练后的深度学习模型，对未知类别的结构化数据的字段进行预测，根据预测结果确定所述结构化数据对应的类别。
13.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现权利要求1至10中任一项所述的业务处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110538741.5A CN113220801B (zh) | 2021-05-17 | 2021-05-17 | 一种结构化数据分类方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110538741.5A CN113220801B (zh) | 2021-05-17 | 2021-05-17 | 一种结构化数据分类方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113220801A true CN113220801A (zh) | 2021-08-06 |
| CN113220801B CN113220801B (zh) | 2022-07-29 |
Family
ID=77093052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110538741.5A Active CN113220801B (zh) | 2021-05-17 | 2021-05-17 | 一种结构化数据分类方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113220801B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108121742A (zh) * | 2016-11-30 | 2018-06-05 | 中国移动通信集团广东有限公司 | 用户分类模型的生成方法及装置 |
| CN108391446A (zh) * | 2017-06-20 | 2018-08-10 | 埃森哲环球解决方案有限公司 | 基于机器学习算法对针对数据分类器的训练语料库的自动提取 |
| CN108597609A (zh) * | 2018-05-04 | 2018-09-28 | 华东师范大学 | 一种基于lstm网络的医养结合健康监测方法 |
| CN110222170A (zh) * | 2019-04-25 | 2019-09-10 | 平安科技（深圳）有限公司 | 一种识别敏感数据的方法、装置、存储介质及计算机设备 |
| CN110413786A (zh) * | 2019-07-26 | 2019-11-05 | 北京智游网安科技有限公司 | 基于网页文本分类的数据处理方法、智能终端及存储介质 |
| CN110442568A (zh) * | 2019-07-30 | 2019-11-12 | 北京明略软件系统有限公司 | 字段标签的获取方法及装置、存储介质、电子装置 |
| CN111506595A (zh) * | 2020-04-20 | 2020-08-07 | 金蝶软件（中国）有限公司 | 一种数据查询方法、系统及相关设备 |
| US20200293559A1 (en) * | 2017-09-08 | 2020-09-17 | Gb Gas Holdings Limited | System for detecting data relationships based on sample data |
| US20200364243A1 (en) * | 2019-05-06 | 2020-11-19 | Openlattice, Inc. | Record matching model using deep learning for improved scalability and adaptability |
| US10846341B2 (en) * | 2017-10-13 | 2020-11-24 | Kpmg Llp | System and method for analysis of structured and unstructured data |
| CN112100385A (zh) * | 2020-11-11 | 2020-12-18 | 震坤行网络技术(南京)有限公司 | 单标签文本分类方法、计算设备和计算机可读存储介质 |
-
2021
- 2021-05-17 CN CN202110538741.5A patent/CN113220801B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108121742A (zh) * | 2016-11-30 | 2018-06-05 | 中国移动通信集团广东有限公司 | 用户分类模型的生成方法及装置 |
| CN108391446A (zh) * | 2017-06-20 | 2018-08-10 | 埃森哲环球解决方案有限公司 | 基于机器学习算法对针对数据分类器的训练语料库的自动提取 |
| US20200293559A1 (en) * | 2017-09-08 | 2020-09-17 | Gb Gas Holdings Limited | System for detecting data relationships based on sample data |
| US10846341B2 (en) * | 2017-10-13 | 2020-11-24 | Kpmg Llp | System and method for analysis of structured and unstructured data |
| CN108597609A (zh) * | 2018-05-04 | 2018-09-28 | 华东师范大学 | 一种基于lstm网络的医养结合健康监测方法 |
| CN110222170A (zh) * | 2019-04-25 | 2019-09-10 | 平安科技（深圳）有限公司 | 一种识别敏感数据的方法、装置、存储介质及计算机设备 |
| US20200364243A1 (en) * | 2019-05-06 | 2020-11-19 | Openlattice, Inc. | Record matching model using deep learning for improved scalability and adaptability |
| CN110413786A (zh) * | 2019-07-26 | 2019-11-05 | 北京智游网安科技有限公司 | 基于网页文本分类的数据处理方法、智能终端及存储介质 |
| CN110442568A (zh) * | 2019-07-30 | 2019-11-12 | 北京明略软件系统有限公司 | 字段标签的获取方法及装置、存储介质、电子装置 |
| CN111506595A (zh) * | 2020-04-20 | 2020-08-07 | 金蝶软件（中国）有限公司 | 一种数据查询方法、系统及相关设备 |
| CN112100385A (zh) * | 2020-11-11 | 2020-12-18 | 震坤行网络技术(南京)有限公司 | 单标签文本分类方法、计算设备和计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113220801B (zh) | 2022-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107066478B (zh) | 一种虚假地址信息识别的方法及装置 | |
| CN111080304B (zh) | 一种可信关系识别方法、装置及设备 | |
| CN108920654A (zh) | 一种问答文本语义匹配的方法和装置 | |
| CN110263157B (zh) | 一种数据风险预测方法、装置及设备 | |
| CN107168995B (zh) | 一种数据处理方法及服务器 | |
| CN108596410B (zh) | 一种风控事件自动处理方法及装置 | |
| CN111339299B (zh) | 一种领域知识库的构建方法和装置 | |
| CN111538794B (zh) | 一种数据融合方法、装置及设备 | |
| CN109003091A (zh) | 一种风险防控处理方法、装置及设备 | |
| CN113837635A (zh) | 风险检测处理方法、装置及设备 | |
| CN110263817B (zh) | 一种基于用户账号的风险等级划分方法及装置 | |
| CN112966113A (zh) | 一种数据的风险防控方法、装置及设备 | |
| CN114943307A (zh) | 一种模型训练的方法、装置、存储介质以及电子设备 | |
| CN111143665A (zh) | 一种欺诈的定性方法、装置及设备 | |
| CN113328994A (zh) | 一种恶意域名处理方法、装置、设备及机器可读存储介质 | |
| CN116189215A (zh) | 自动审核方法、装置、电子设备及存储介质 | |
| CN110675028A (zh) | 基于区块链的食品安全监管方法、装置、设备及系统 | |
| CN112613072B (zh) | 基于档案大数据的信息管理方法、管理系统及管理云平台 | |
| CN110895703A (zh) | 法律文书案由识别方法及装置 | |
| CN110532773A (zh) | 恶意访问行为识别方法、数据处理方法、装置和设备 | |
| CN110163470B (zh) | 事件评估方法及装置 | |
| CN113220801B (zh) | 一种结构化数据分类方法、装置、设备及介质 | |
| CN115564450B (zh) | 一种风控方法、装置、存储介质及设备 | |
| CN109146395B (zh) | 一种数据处理的方法、装置及设备 | |
| CN116822606A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 |
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 |