CN113742450B - 用户数据等级落标的方法、装置、电子设备和存储介质 - Google Patents
用户数据等级落标的方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113742450B CN113742450B CN202111003762.3A CN202111003762A CN113742450B CN 113742450 B CN113742450 B CN 113742450B CN 202111003762 A CN202111003762 A CN 202111003762A CN 113742450 B CN113742450 B CN 113742450B
- Authority
- CN
- China
- Prior art keywords
- field
- chinese
- english
- data set
- field name
- 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.)
- Active
Links
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
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/194—Calculation of difference between files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本公开涉及用户数据等级落标的方法、装置、电子设备和存储介质。该方法包括:将数据库中的中文和英文字段名分别集合,建立中文和英文字段集,每个中文字段名具有对应的英文字段名;对标准文件解析,提取出多个字段名称和对应的等级标签;将一个字段名称在中文字段集中检索,得到第一结果数据集,其包括检索到的每个中文字段名和对应的英文字段名;选取第一结果数据集中在检索时相似度最高的N个中文字段名,并将与其对应的英文字段名在英文字段集中检索,得到第二结果数据集,其包括检索到的每个英文字段名和相对应的中文字段名,N为正整数;选取第一和第二结果数据集的交集,并将所选取的字段名标注为与所述一个字段名称对应的等级标签。
Description
技术领域
本公开涉及人工智能自然语言处理技术领域,具体涉及一种用户数据等级落标的方法、装置、电子设备和计算机可读存储介质。
背景技术
在存在海量用户数据的行业,存在着根据标准文件对用户数据标定等级的需求。例如,目前在银行业,针对金融监管部门发的用户数据安全等级如L1-L4、用户金融信息等级C1-C3等,需要对数据库里的用户数据进行等级标定。
然而,因为用户数据维度巨大,人工无法梳理,导致数据等级没法追溯,面临着规范落地困难的问题。
发明内容
本公开提出了用户数据等级落标的方法、装置、电子设备和存储介质。
第一方面,本公开提供了一种用户数据等级落标的方法,其包括:
步骤一,将用户数据库中的中文字段名和英文字段名分别集合,建立中文字段集和英文字段集,每个中文字段名具有相对应的英文字段名;
步骤二,对标准文件进行解析,提取出多个字段名称和对应的等级标签;
步骤三,将所述多个字段名称中的一个字段名称在所述中文字段集中进行检索,得到第一结果数据集,所述第一结果数据集包括检索得到的每个中文字段名和相对应的英文字段名;
步骤四,选取所述第一结果数据集中在步骤三检索时相似度最高的N个中文字段名,并将与所述N个中文字段名相对应的英文字段名在所述英文字段集中进行检索,得到第二结果数据集,所述第二结果数据集包括检索得到的每个英文字段名和相对应的中文字段名,其中N为正整数;以及
步骤五,选取所述第一结果数据集和所述第二结果数据集的交集,并将所选取的中文字段名和英文字段名标注为与所述一个字段名称相对应的等级标签。
在一些可选的实施方式中,该方法还包括:针对所述多个字段名称中未进行检索的每一个字段名称,重复所述步骤三到所述步骤五。
在一些可选的实施方式中,遍历所述多个字段名称中的每一个字段名称后,得到训练数据集,所述训练数据集包括所选取的中文字段名和英文字段名以及等级标签。
在一些可选的实施方式中,该方法还包括:针对所述用户数据库中的未标注等级标签的中文字段名和英文字段名,执行如下操作:
把相似语义的中文字段名和英文字段名分别聚类到一起,得到中文字段名组合和英文字段名组合,每个中文字段名组合和每个英文字段名组合均具有唯一的代表字段;
利用所述训练数据集来训练长短期记忆LSTM模型;
将每个代表字段代入经训练的LSTM模型中预测与其对应的等级标签;以及
将与每个代表字段相对应的中文字段名组合或英文字段名组合中的所有字段名标注为与该代表字段对应的等级标签。
在一些可选的实施方式中,所述步骤三中进行检索采用BM25算法,所述第一结果数据集是相似度归一化后大于0.85的结果数据集合。
在一些可选的实施方式中,所述步骤四中进行检索采用BM25算法,所述第二结果数据集是相似度归一化后大于0.85的结果数据集合。
在一些可选的实施方式中,所述步骤四中N为2。
第二方面,本公开提供了一种用户数据等级落标的装置,其包括:
字段生成单元,被配置成:将用户数据库中的中文字段名和英文字段名分别集合,建立中文字段集和英文字段集,每个中文字段名具有相对应的英文字段名,并且对标准文件进行解析,提取出多个字段名称和对应的等级标签;
检索单元,被配置成:将所述多个字段名称中的一个字段名称在所述中文字段集中进行检索,得到第一结果数据集,所述第一结果数据集包括检索得到的每个中文字段名和相对应的英文字段名,并且选取所述第一结果数据集中在步骤三检索时相似度得分最高的N个中文字段名,并将与所述N个中文字段名相对应的英文字段名在所述英文字段集中进行检索,得到第二结果数据集,所述第二结果数据集包括检索得到的每个英文字段名和相对应的中文字段名,其中N为正整数;以及
标注单元,被配置成:选取所述第一结果数据集和所述第二结果数据集的交集,并将所选取的中文字段名和英文字段名标注为与所述一个字段名称相对应的等级标签。
第三方面,本公开提供了一种电子设备,其包括:一个或多个处理器;以及存储装置,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如第一方面中任一实现方式所述的方法。
第四方面,本公开提供了一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被一个或多个处理器执行时实现如第一方面中任一实现方式所述的方法。
为了解决海量用户数据的等级落标困难的问题,本公开的实施例提供的用户数据等级落标的方法、装置、电子设备和存储介质通过自然语言处理语义检索,语义分类模型,可以实现用户数据等级落标到表字段,在完成等级落标的同时保障用户数据安全,且节省了大量人力、物力和财力。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其他特征、目的和优点将会变得更明显。附图仅用于示出具体实施方式的目的,而并不认为是对本发明的限制。
图1为根据本公开的用户数据等级落标的方法的一个实施例的流程示意图。
图2为根据本公开的对标准文件未涵盖的用户数据标注等级的方法的一个实施例的流程示意图。
图3为根据本公开的用户数据等级落标的装置的一个实施例的结构示意图。
图4是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
参考图1,图1为根据本公开的用户数据等级落标的方法的一个实施例的流程示意图。
如图1所示,根据本公开的用户数据等级落标的方法的一个实施例包括步骤S11:将用户数据库中的中文字段名和英文字段名分别集合,建立中文字段集和英文字段集,每个中文字段名具有相对应的英文字段名。
在该步骤中,确定要进行用户数据等级落标的数据库,该数据库中包含用户数据,用户数据包括中文字段名和与其相对应的英文字段名。示例性的中文字段名和英文字段名如下表所示:
中文字段名 | 英文字段名 |
用户名 | Customer_name |
账户名 | Account_name |
该方法还包括步骤S12:对标准文件进行解析,提取出多个字段名称和对应的等级标签。
标准文件可以包括来自监管部门的发文以及用户自行建立的数据等级标准等。用户数据等级可以包括用户数据安全等级和用户金融信息等级等。标准文件里规定了用户数据的字段名称和与其对应的等级标签。
从标准文件里提取出来的示例性的字段名称和对应的等级标签如下表所示:
字段名称 | 数据安全等级 |
用户姓名 | L3 |
个人收入 | L3 |
字段名称 | 金融信息等级 |
用户姓名 | C3 |
用户账号 | C3 |
要注意的是,由于步骤S11和步骤S12处理的是不同的数据,因此这两个步骤的顺序是可以互换的,二者并无先后之分,也可以并行进行。
接下来,该方法进行到步骤S13:将步骤S12所提取出的多个字段名称中的一个字段名称在步骤S11所建立的中文字段集中进行检索,得到第一结果数据集,所述第一结果数据集包括检索得到的每个中文字段名和相对应的英文字段名。
由于每个中文字段名具有相对应的英文字段名,因此检索出中文字段名后,可以连同与其对应的英文字段名一起建立第一结果数据集。
步骤S13中进行检索可以采用多种算法,例如可以采用本领域已知的BM25算法。通过BM25算法计算所检索的字段名称与中文字段集中的中文字段名之间的相似度的打分,然后将所有分数进行归一化,可以取相似度归一化后大于预设阈值的结果来建立第一结果数据集。为举例的目的,该预设阈值可以为0.85,或者可以为0.8、0.9等。
接下来,该方法进行到步骤S14:选取第一结果数据集中在步骤S3检索时相似度最高的N个中文字段名,并将与所述N个中文字段名相对应的英文字段名在步骤S11所建立的英文字段集中进行检索,得到第二结果数据集,所述第二结果数据集包括检索得到的每个英文字段名和相对应的中文字段名,其中N为正整数。
在步骤S13得到的第一结果数据集中通常包含多个中文字段名,可以取检索时相似度打分最高的N个中文字段名,由于每个中文字段名具有相对应的英文字段名,因此可以再以与这N个中文字段名相对应的英文字段名进行检索。
为举例的目的,N可以取2,或者可以取1、3等。
步骤S14中进行检索同样可以采用多种算法,例如BM25算法。通过BM25算法计算所检索的英文字段名称与英文字段集中的英文字段名之间的相似度的打分,然后将所有分数进行归一化,可以取相似度归一化后大于预设阈值的结果来建立第二结果数据集。为举例的目的,该预设阈值可以为0.85,或者可以为0.8、0.9等。
然后,该方法进行到步骤S15:选取第一结果数据集和第二结果数据集的交集,并将所选取的中文字段名和英文字段名标注为与所述一个字段名称相对应的等级标签。
由于第一结果数据集和第二结果数据集均是包含中文字段名和英文字段名的数据集,因此可以选取这两个数据集的交集,该交集中包含中文字段名和英文字段名。可以认为该交集中包含的中文字段名与步骤S13中用于检索的那个字段名称具有很高相似度。因此,可以将所选取的中文字段名和英文字段名标注为与那个字段名称相对应的等级标签。由此完成了对一个字段名称的落标。
由于标准文件中通常可以提取出多个字段名称,因此根据本公开的用户数据等级落标的方法的一个实施例还可以包括步骤S16:判断所述多个字段名称中的每一个字段名称是否都被检索过,如果判断的结论为“否”,则针对未进行检索的每一个字段名称,重复上述步骤S13到步骤S15,然后继续进行判断,直到判断的结论为“是”。
通过上述流程,可以遍历所述多个字段名称中的每一个字段名称,由此可以得到训练数据集。该训练数据集包括所选取的中文字段名和英文字段名以及相对应的等级标签。
在将从标准文件中提取出的多个字段名称都落标后,用户数据库中可能还存在未定标的数据,即未定标的中文字段名和英文字段名,这是因为标准文件可能没有完全涵盖用户数据库中的字段。对于这部分数据,需要通过利用训练数据集训练出的模型来预测其等级标签。
图2为根据本公开的对标准文件未涵盖的用户数据标注等级的方法的一个实施例的流程示意图。
如图2所示,根据本公开的对标准文件未涵盖的用户数据标注等级的方法的一个实施例开始于步骤S21:把相似语义的中文字段名和英文字段名分别聚类到一起,得到中文字段名组合和英文字段名组合,每个中文字段名组合和每个英文字段名组合均具有唯一的代表字段。
这里,首先将用户数据库中剩下的未定标的中文字段名去重变成一个列表;然后从该列表中的第一个中文字段名开始遍历,先将该中文字段名放到该列表中做检索,得到包含检索出的中文字段名和与其对应的英文字段名的第三数据集;再把与该中文字段名对应的英文字段名放到数据库中剩下的未定标的英文字段名做检索,得到包含检索出的英文字段名和与其对应的中文字段名的第四数据集;取第三数据集和第四数据集的交集得到与该中文字段名对应的中文字段名组合,其中该中文字段名即为该中文字段名组合的代表字段。然后,把该列表中已放入中文字段名组合的中文字段名删除,该列表中剩下的中文字段名再重复遍历,直到该列表为空。这里的检索算法可以和上述步骤S13和S14中的类似,在此不再赘述。
将中文字段名连同与其相对应的英文字段名全部聚类完成后,用户数据库中可能还剩下未进行聚类的英文字段名。这是由用户数据的特殊性导致的,尽管每个中文字段名具有相对应的英文字段名,但是可能存在多余的英文字段名,而没有与其对应的中文字段名。这时,可以将所有剩下的英文字段名去重变成一个列表,然后从该列表中的第一个英文字段名开始遍历,将该英文字段名放到该列表中做检索,将检索出的英文字段名聚在一起建立英文字段名组合,其中该英文字段名即为该英文字段名组合的代表字段。然后,把该列表中已放入英文字段名组合的英文字段名删除,该列表中剩下的英文字段名再重复遍历,直到该列表为空。
接下来,该方法进行到步骤S22:利用上述训练数据集来训练长短期记忆LSTM模型。
要注意的是,由于步骤S21和步骤S22处理的是不同的数据,因此这两个步骤的顺序是可以互换的,二者并无先后之分,也可以并行进行。
接下来,该方法进行到步骤S23:将每个代表字段代入经训练的LSTM模型中预测与其对应的等级标签。
LSTM模型经训练后,即可针对每个代表字段预测出一个等级标签。
然后,该方法进行到步骤S24:将与每个代表字段相对应的中文字段名组合或英文字段名组合中的所有字段名标注为与该代表字段对应的等级标签。
由此,对用户数据库中的所有字段名都标注了相应的等级标签。
进一步参考图3,作为对上述方法的实现,本公开提供了一种用户数据等级落标的装置,该装置的一个实施例与图1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,本实施例的用户数据等级落标的装置30包括:字段生成单元31、检索单元32和标注单元33。字段生成单元31被配置成:将用户数据库中的中文字段名和英文字段名分别集合,建立中文字段集和英文字段集,每个中文字段名具有相对应的英文字段名,并且对标准文件进行解析,提取出多个字段名称和对应的等级标签。检索单元32被配置成:将所述多个字段名称中的一个字段名称在所述中文字段集中进行检索,得到第一结果数据集,所述第一结果数据集包括检索得到的每个中文字段名和相对应的英文字段名,并且选取所述第一结果数据集中在步骤三检索时相似度得分最高的N个中文字段名,并将与所述N个中文字段名相对应的英文字段名在所述英文字段集中进行检索,得到第二结果数据集,所述第二结果数据集包括检索得到的每个英文字段名和相对应的中文字段名,其中N为正整数。标注单元33被配置成:选取所述第一结果数据集和所述第二结果数据集的交集,并将所选取的中文字段名和英文字段名标注为与所述一个字段名称相对应的等级标签。
在本实施例中,用户数据等级落标的装置30的字段生成单元31、检索单元32和标注单元33的具体处理及其所带来的技术效果可分别参考图1对应实施例中的相关说明,在此不再赘述。
在一些可选的实施方式中,用户数据等级落标的装置30还可以包括:判断单元(未示出),其被配置成:判断所述多个字段名称中的每一个字段名称是否都被检索过,如果判断的结论为“否”,则针对未进行检索的每一个字段名称,由检索单元32和标注单元33重复上述操作,然后继续进行判断,直到判断的结论为“是”。
在一些可选的实施方式中,用户数据等级落标的装置30还可以包括:聚类单元(未示出),其被配置成:把相似语义的中文字段名和英文字段名分别聚类到一起,得到中文字段名组合和英文字段名组合,每个中文字段名组合和每个英文字段名组合均具有唯一的代表字段;训练单元(未示出),其被配置成:利用所述训练数据集来训练长短期记忆LSTM模型;预测单元(未示出),其被配置成:将每个代表字段代入经训练的LSTM模型中预测与其对应的等级标签。并且,标注单元33可以进一步被配置成将与每个代表字段相对应的中文字段名组合或英文字段名组合中的所有字段名标注为与该代表字段对应的等级标签。
需要说明的是,本公开的实施例提供的用户数据等级落标的装置中各单元的实现细节和技术效果可以参考本公开中其他实施例的说明,在此不再赘述。
下面参考图4,其示出了适于用来实现本公开的电子设备的计算机系统40的结构示意图。图4示出的计算机系统40仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图4所示,计算机系统40可以包括处理装置(例如中央处理器、图形处理器等)41,其可以根据存储在只读存储器(ROM)42中的程序或者从存储装置48加载到随机访问存储器(RAM)43中的程序而执行各种适当的动作和处理。在RAM 43中,还存储有计算机系统40操作所需的各种程序和数据。处理装置41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。
通常,以下装置可以连接至I/O接口45:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风等的输入装置46;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置47;包括例如磁带、硬盘等的存储装置48;以及通信装置49。通信装置49可以允许计算机系统40与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备的计算机系统40,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置49从网络上被下载和安装,或者从存储装置48被安装,或者从ROM 42被安装。在该计算机程序被处理装置41执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备实现如图1所示的实施例及其可选实施方式示出的方法,和/或,如图2所示的实施例及其可选实施方式示出的方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本公开还提供了一种计算机可读存储介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。该计算机可读存储介质上存储有计算机程序,所述计算机程序被一个或多个处理器执行时实现如上所述的根据本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种用户数据等级落标的方法,包括:
步骤一,将用户数据库中的中文字段名和英文字段名分别集合,建立中文字段集和英文字段集,每个中文字段名具有相对应的英文字段名;
步骤二,对标准文件进行解析,提取出多个字段名称和对应的等级标签;
步骤三,将所述多个字段名称中的一个字段名称在所述中文字段集中进行检索,得到第一结果数据集,所述第一结果数据集包括检索得到的每个中文字段名和相对应的英文字段名;
步骤四,选取所述第一结果数据集中在步骤三检索时相似度最高的N个中文字段名,并将与所述N个中文字段名相对应的英文字段名在所述英文字段集中进行检索,得到第二结果数据集,所述第二结果数据集包括检索得到的每个英文字段名和相对应的中文字段名,其中N为正整数;以及
步骤五,选取所述第一结果数据集和所述第二结果数据集的交集,并将所选取的中文字段名和英文字段名标注为与所述一个字段名称相对应的等级标签。
2.根据权利要求1所述的方法,还包括:
针对所述多个字段名称中未进行检索的每一个字段名称,重复所述步骤三到所述步骤五。
3.根据权利要求2所述的方法,其中,遍历所述多个字段名称中的每一个字段名称后,得到训练数据集,所述训练数据集包括所选取的中文字段名和英文字段名以及等级标签。
4.根据权利要求3所述的方法,还包括:
针对所述用户数据库中的未标注等级标签的中文字段名和英文字段名,执行如下操作:
把相似语义的中文字段名和英文字段名分别聚类到一起,得到中文字段名组合和英文字段名组合,每个中文字段名组合和每个英文字段名组合均具有唯一的代表字段;
利用所述训练数据集来训练长短期记忆LSTM模型;
将每个代表字段代入经训练的LSTM模型中预测与其对应的等级标签;以及
将与每个代表字段相对应的中文字段名组合或英文字段名组合中的所有字段名标注为与该代表字段对应的等级标签。
5.根据权利要求1所述的方法,其中,所述步骤三中进行检索采用BM25算法,所述第一结果数据集是相似度归一化后大于0.85的结果数据集合。
6.根据权利要求1所述的方法,其中,所述步骤四中进行检索采用BM25算法,所述第二结果数据集是相似度归一化后大于0.85的结果数据集合。
7.根据权利要求1所述的方法,其中,所述步骤四中N为2。
8.一种用户数据等级落标的装置,包括:
字段生成单元,被配置成:将用户数据库中的中文字段名和英文字段名分别集合,建立中文字段集和英文字段集,每个中文字段名具有相对应的英文字段名,并且对标准文件进行解析,提取出多个字段名称和对应的等级标签;
检索单元,被配置成:将所述多个字段名称中的一个字段名称在所述中文字段集中进行检索,得到第一结果数据集,所述第一结果数据集包括检索得到的每个中文字段名和相对应的英文字段名,并且选取所述第一结果数据集中在步骤三检索时相似度得分最高的N个中文字段名,并将与所述N个中文字段名相对应的英文字段名在所述英文字段集中进行检索,得到第二结果数据集,所述第二结果数据集包括检索得到的每个英文字段名和相对应的中文字段名,其中N为正整数;以及
标注单元,被配置成:选取所述第一结果数据集和所述第二结果数据集的交集,并将所选取的中文字段名和英文字段名标注为与所述一个字段名称相对应的等级标签。
9.一种电子设备,包括:
一个或多个处理器;以及
存储装置,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被一个或多个处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111003762.3A CN113742450B (zh) | 2021-08-30 | 2021-08-30 | 用户数据等级落标的方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111003762.3A CN113742450B (zh) | 2021-08-30 | 2021-08-30 | 用户数据等级落标的方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113742450A CN113742450A (zh) | 2021-12-03 |
CN113742450B true CN113742450B (zh) | 2023-05-30 |
Family
ID=78733813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111003762.3A Active CN113742450B (zh) | 2021-08-30 | 2021-08-30 | 用户数据等级落标的方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113742450B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114896352B (zh) * | 2022-04-06 | 2022-11-11 | 北京月新时代科技股份有限公司 | 无字段名的井文件字段名自动匹配方法、系统、介质和计算机设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001090930A1 (en) * | 2000-05-24 | 2001-11-29 | Web Wombat Pty Ltd | Indexing and searching ideographic characters on a networked system of computers |
CN103984700A (zh) * | 2014-04-15 | 2014-08-13 | 厦门产业技术研究院 | 一种用于科技信息垂直搜索的异构数据分析方法 |
CN106126662A (zh) * | 2016-06-24 | 2016-11-16 | 维沃移动通信有限公司 | 一种电子书显示方法和移动终端 |
CN106294677A (zh) * | 2016-08-04 | 2017-01-04 | 浙江大学 | 一种面向英文文献中中国作者的姓名消歧方法 |
CN110188568A (zh) * | 2019-05-27 | 2019-08-30 | 深圳前海微众银行股份有限公司 | 机密信息标识方法、装置、设备与计算机可读存储介质 |
CN110717037A (zh) * | 2019-08-28 | 2020-01-21 | 阿里巴巴集团控股有限公司 | 对用户分类的方法和装置 |
CN110852041A (zh) * | 2019-10-12 | 2020-02-28 | 重庆金融资产交易所有限责任公司 | 一种字段处理方法及相关设备 |
CN111143457A (zh) * | 2019-12-28 | 2020-05-12 | 北京工业大学 | 一种基于多种来源数据集的学者同名排歧方法 |
CN111967265A (zh) * | 2020-08-31 | 2020-11-20 | 广东工业大学 | 一种数据集自动生成的中文分词与实体识别联合学习方法 |
CN112241421A (zh) * | 2019-07-18 | 2021-01-19 | 天云融创数据科技(北京)有限公司 | 一种数据血缘确定方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11256548B2 (en) * | 2018-05-03 | 2022-02-22 | LGS Innovations LLC | Systems and methods for cloud computing data processing |
-
2021
- 2021-08-30 CN CN202111003762.3A patent/CN113742450B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001090930A1 (en) * | 2000-05-24 | 2001-11-29 | Web Wombat Pty Ltd | Indexing and searching ideographic characters on a networked system of computers |
CN103984700A (zh) * | 2014-04-15 | 2014-08-13 | 厦门产业技术研究院 | 一种用于科技信息垂直搜索的异构数据分析方法 |
CN106126662A (zh) * | 2016-06-24 | 2016-11-16 | 维沃移动通信有限公司 | 一种电子书显示方法和移动终端 |
CN106294677A (zh) * | 2016-08-04 | 2017-01-04 | 浙江大学 | 一种面向英文文献中中国作者的姓名消歧方法 |
CN110188568A (zh) * | 2019-05-27 | 2019-08-30 | 深圳前海微众银行股份有限公司 | 机密信息标识方法、装置、设备与计算机可读存储介质 |
CN112241421A (zh) * | 2019-07-18 | 2021-01-19 | 天云融创数据科技(北京)有限公司 | 一种数据血缘确定方法和装置 |
CN110717037A (zh) * | 2019-08-28 | 2020-01-21 | 阿里巴巴集团控股有限公司 | 对用户分类的方法和装置 |
CN110852041A (zh) * | 2019-10-12 | 2020-02-28 | 重庆金融资产交易所有限责任公司 | 一种字段处理方法及相关设备 |
CN111143457A (zh) * | 2019-12-28 | 2020-05-12 | 北京工业大学 | 一种基于多种来源数据集的学者同名排歧方法 |
CN111967265A (zh) * | 2020-08-31 | 2020-11-20 | 广东工业大学 | 一种数据集自动生成的中文分词与实体识别联合学习方法 |
Non-Patent Citations (1)
Title |
---|
词性对中英文文本聚类的影响研究;韩普;王东波;刘艳云;苏新宁;;中文信息学报(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113742450A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679039B (zh) | 用于确定语句意图的方法和装置 | |
US10095780B2 (en) | Automatically mining patterns for rule based data standardization systems | |
CN110532352B (zh) | 文本查重方法及装置、计算机可读存储介质、电子设备 | |
US11620453B2 (en) | System and method for artificial intelligence driven document analysis, including searching, indexing, comparing or associating datasets based on learned representations | |
CN112395420A (zh) | 视频内容检索方法、装置、计算机设备及存储介质 | |
CN114357117A (zh) | 事务信息查询方法、装置、计算机设备及存储介质 | |
CN111538903B (zh) | 搜索推荐词确定方法、装置、电子设备及计算机可读介质 | |
CN113660541A (zh) | 新闻视频的摘要生成方法及装置 | |
CN115239214A (zh) | 企业的评估处理方法、装置及电子设备 | |
CN112084448A (zh) | 相似信息处理方法以及装置 | |
CN109388696B (zh) | 删除谣言文章的方法、装置、存储介质及电子设备 | |
CN113742450B (zh) | 用户数据等级落标的方法、装置、电子设备和存储介质 | |
CN111078849A (zh) | 用于输出信息的方法和装置 | |
CN113887191A (zh) | 文章的相似性检测方法及装置 | |
CN114036921A (zh) | 一种政策信息匹配方法和装置 | |
CN112417996A (zh) | 工业图纸的信息处理方法、装置、电子设备和存储介质 | |
CN116402166A (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
CN116719915A (zh) | 智能问答方法、装置、设备及存储介质 | |
CN108733702B (zh) | 用户查询上下位关系提取的方法、装置、电子设备和介质 | |
CN111368036B (zh) | 用于搜索信息的方法和装置 | |
CN115292506A (zh) | 应用于办公领域的知识图谱本体构建方法和装置 | |
US20210295036A1 (en) | Systematic language to enable natural language processing on technical diagrams | |
CN110502630B (zh) | 信息处理方法及设备 | |
CN113095078A (zh) | 关联资产确定方法、装置和电子设备 | |
CN112380321A (zh) | 基于票据知识图谱的主次数据库分配方法及相关设备 |
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 |