CN113869456A - 采样监测方法、装置、电子设备及存储介质 - Google Patents

采样监测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113869456A
CN113869456A CN202111200468.1A CN202111200468A CN113869456A CN 113869456 A CN113869456 A CN 113869456A CN 202111200468 A CN202111200468 A CN 202111200468A CN 113869456 A CN113869456 A CN 113869456A
Authority
CN
China
Prior art keywords
text
training
value
category
standard
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.)
Pending
Application number
CN202111200468.1A
Other languages
English (en)
Inventor
房伟
陈东莉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Sheyun Information Technology Co ltd
Original Assignee
Shandong Sheyun Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Sheyun Information Technology Co ltd filed Critical Shandong Sheyun Information Technology Co ltd
Priority to CN202111200468.1A priority Critical patent/CN113869456A/zh
Publication of CN113869456A publication Critical patent/CN113869456A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • 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
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/151—Transformation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及智能监测领域，揭露一种采样监测方法，包括：接收数据采样指令，根据所述数据采样指令从网页中采样原始文本集，清洗所述原始文本集得到标准文本集，对所述标准文本集中每个文本执行类别分类，得到包括类别名称的标准文本集，利用所述类别名称，对每个所述标准文本与数据库中的存储文本执行相似度计算，剔除相似度高于阈值的标准文本，得到包括类别名称的训练文本集，将所述类别名称作为真实标签，利用所述训练文本集分别对不同的分类模型执行训练，并利用所述真实标签剔除在训练过程中大于预设波动值的训练文本，得到净化文本集，本发明可解决在监控过程中无法对采样数据做实时清理，以提高采样数据纯度的问题。

Description

采样监测方法、装置、电子设备及存储介质
技术领域
本发明涉及智能监控领域，尤其涉及一种采样监测方法、装置、电子设备及计算机可读存储介质。
背景技术
伴随大数据发展，海量数据呈现爆炸性增长，一方面，从海量数据中采样到有效数据，并将有效数据用于深度学习模型训练、数据分析等领域具有重要意义。但另一方面，如何从海量数据中采样到有效数据，从而不影响深度学习模型训练及数据分析的准确性也是重中之重，因此需要有一种有效的采样执行监控方式，以提高采样数据的纯度。
目前常用的采样监测方法主要是实时监控方法，即接收到数据采样指令后启动程序异常监控程序，实时监控采样程序是否正常工作，当采样程序发生异常后则及时报警。严格来说，上述实时监控方法并未对所采样的采样数据做实时分析，无法在监控过程中提高采样数据的纯度，监控智能性有待提高。
发明内容
本发明提供一种采样监测方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决在监控过程中无法对采样数据做实时清理，以提高采样数据纯度的问题。
为实现上述目的，本发明提供的一种采样监测方法，包括：
接收数据采样指令，根据所述数据采样指令从网页中采样原始文本集；
清洗所述原始文本集得到标准文本集；
对所述标准文本集中每个标准文本执行类别分类，得到包括类别名称的标准文本集；
利用所述类别名称，对每个所述标准文本与数据库中的存储文本执行相似度计算，剔除相似度高于阈值的标准文本，得到包括类别名称的训练文本集；
将所述类别名称作为真实标签，利用所述训练文本集分别对不同的分类模型执行训练，并利用所述真实标签剔除在训练过程中大于预设波动值的训练文本，得到净化文本集；
将所述净化文本集返回至所述数据采样指令的发起者。
可选地，所述将所述类别名称作为真实标签，利用所述训练文本集分别对不同的分类模型执行训练，并利用所述真实标签剔除在训练过程中大于预设波动值的训练文本，得到净化文本集，包括：
利用所述类别名称对所述训练文本集执行分类，得到不同类别名称的所述训练文本集；
将不同类别名称的所述训练文本集，输入至不同的所述分类模型执行特征提取，得到特征文本集；
统计所述特征提取的次数，判断所述所述特征提取的次数是否大于预设的特征提取阈值；
若所述特征提取的次数小于所述特征提取阈值，调整每个所述分类模型的模型参数值，并利用预设的预测函数对所述特征文本集进行概率计算，得到预测标签；
计算所述预测标签与所述真实标签的误差值，当所述误差值小于或等于预设的误差阈值，继续调整每个所述分类模型的模型参数值，并返回上述利用每个所述分类模型对所述训练文本集进行特征提取的步骤；
直至所述特征提取的次数大于或等于所述特征提取阈值，或所述误差值大于所述误差阈值时，计算每个训练文本在不同的所述分类模型中对应的预测标签平均值；
计算所述预测标签平均值是否大于预设的预测标签阈值，若所述预测标签平均值大于所述预测标签阈值，提取对应的训练文本，得到所述净化文本集。
可选地，所述计算每个训练文本在不同的所述分类模型中对应的预测标签平均值，包括：
提取每个所述训练文本在不同的所述分类模型中的预测标签，得到预测标签集；
统计所述预测标签集中存在相同预测标签的数量，记为第一统计值；
统计所述预测标签集中完全不相同的预测标签数量，记为第二统计值；
根据所述第一统计值及所述第二统计值，计算得到所述预测标签平均值。
可选地，所述对所述标准文本集中每个标准文本执行类别分类，得到包括类别名称的标准文本集，包括：
步骤A：对所述标准文本集做词向量转换，得到文本向量集；
步骤B：将所述文本向量集投射到预构建的坐标系中，得到文本坐标集；
步骤C：接收用户输入的类别数，利用所述类别数在所述坐标系中生成相同数量的簇心坐标集；
步骤D：根据最小化平方误差算法，计算所述簇心坐标集中每个簇心坐标和所述文本坐标集中每个文本坐标的损失值，并判断所述损失值与预设阈值的大小关系；
步骤E：当所述损失值大于所述预设阈值时，计算所述文本坐标集与所述簇心坐标集的距离集，并根据所述距离集重新确定簇心坐标集，并返回步骤B，直至所述损失值小于所述阈值时，利用重新确定的所述簇心坐标集对所述文本坐标集执行类别分类，得到包括类别名称的所述标准文本集。
可选地，所述将所述文本向量集投射到预构建的坐标系中，得到文本坐标集，包括：
根据预构建的映射关系，将所述文本向量集转为一行两列向量集；
将所述一行两列向量集中的第一列作为横坐标，将所述一行两列向量集中的第二列作为纵坐标，投射至所述坐标系中，得到所述文本坐标集。
可选地，所述计算所述簇心坐标集中每个簇心坐标和所述文本坐标集中每个文本坐标的损失值，包括：
利用如下公式计算所述损失值：
Figure DEST_PATH_IMAGE001
其中，
Figure 474691DEST_PATH_IMAGE002
表示文本坐标集，
Figure 358333DEST_PATH_IMAGE003
为在所述文本坐标集中第
Figure 832040DEST_PATH_IMAGE004
个文本坐标，
Figure 801133DEST_PATH_IMAGE005
表示第
Figure 752908DEST_PATH_IMAGE006
个簇心，
Figure 756637DEST_PATH_IMAGE007
表示所述簇心坐标集的个数，
Figure 658035DEST_PATH_IMAGE008
表示所述损失值。
可选地，所述清洗所述原始文本集得到标准文本集，包括：
剔除所述原始文本集中的空白数据、乱码数据，得到初级文本集；
判断所述初级文本集中是否存在乱码文本，若存在乱码文本，对乱码文本执行转码操作，得到所述标准文本集。
为了解决上述问题，本发明还提供一种采样监测装置，所述装置包括：
采样收集模块，用于接收数据采样指令，根据所述数据采样指令从网页中采样原始文本集，清洗所述原始文本集得到标准文本集；
类别分类模块，用于对所述标准文本集中每个标准文本执行类别分类，得到包括类别名称的标准文本集；
采样清理模块，用于利用所述类别名称，对每个所述标准文本与数据库中的存储文本执行相似度计算，剔除相似度高于阈值的标准文本，得到包括类别名称的训练文本集；
动态监测模块，用于将所述类别名称作为真实标签，利用所述训练文本集分别对不同的分类模型执行训练，并利用所述真实标签剔除在训练过程中大于预设波动值的训练文本，得到净化文本集，将所述净化文本集返回至所述数据采样指令的发起者。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述中任意一项所述的采样监测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现上述中任意一项所述的采样监测方法。
本发明实施例当接收数据采样指令时，立刻从网页中采样原始文本集，同时对所采样的原始文本集执行清理操作，以剔除异常的文本数据，另外，对文本执行类别分类，并利用类别名称，剔除相似度高于数据库中的存储文本的标准文本，进一步提高文本纯度，最后，将类别名称作为真实标签，利用所述文本分别对不同的分类模型执行训练，并利用所述真实标签剔除在训练过程中大于预设波动值的文本，得到净化文本集，因此可见，本发明相比于背景来说，增加了在监控过程中提高采样数据的纯度的操作，故本发明提出的采样监测方法、装置及计算机可读存储介质，可解决在监控过程中无法对采样数据做实时清理，以提高采样数据纯度的问题。
附图说明
图1为本发明一实施例提供的采样监测方法的流程示意图；
图2为本发明一实施例提供的采样监测方法中S1的流程示意图；
图3为本发明一实施例提供的采样监测方法中S2的流程示意图；
图4为本发明一实施例提供的采样监测装置的模块示意图；
图5为本发明一实施例提供的实现采样监测方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种采样监测方法，所述采样监测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述采样监测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的采样监测方法的流程示意图。在本实施例中，所述采样监测方法包括：
S1、接收数据采样指令，根据所述数据采样指令从网页中采样原始文本集。
本发明实施例中，所述数据采样指令主要目的是采集大量的数据集，以方便用户后续执行模型训练等操作。
详细地，参阅图2所示，所述根据所述数据采样指令从网页中采样原始文本集，包括：
S11、将所述数据采样指令作为预构建的爬虫脚本入参；
S12、运行所述爬虫脚本，从网页中采样得到所述原始文本集。
其中，所述爬虫脚本一般为用户预先编写完成的程序，较佳地，可使用python程序构建所述爬虫脚本。
进一步地，本发明另一实施例中，可将预先构建的代码以APP的形式安装进用户所使用的平台操作系统中，如安卓平台操作系统，可预先在安卓平台操作系统中安装以所述爬虫脚本为代码核心的爬虫APP，通过使用该爬虫APP可直接完成网页的采样，得到所述原始文本集。
较佳地，所述原始文本集可包括网页启动次数、用户登录网页次数、用户在所述网页的搜索内容、浏览内容、同一时间段内用户登录网页的用户数等。如在购物网页中，用户先启动该购物网页，并在该购物网站中搜索武侠小说，该购物网页基于关键字武侠小说，利用计算引擎给用户推荐了多种武侠小说书籍。通过这类操作，可依次得到网页启动次数为1、用户登录网页次数为1、用户在所述网页的搜索内容为“武侠小说”、 浏览内容包括“天龙八部、倚天屠龙记等”、 同一时间段内用户登录网页的用户数为“1.32万”等原始文本。
S2、清洗所述原始文本集得到标准文本集。
详细地，参阅图3所示，所述清洗所述原始文本集得到标准文本集，包括：
S21、剔除所述原始文本集中的空白数据、乱码数据，得到初级文本集；
S22、当所述初级文本集中是否存在乱码文本时，对所示乱码文本执行转码操作，得到所述标准文本集。
如上述浏览内容包括“天龙八部、倚天屠龙记等”，但由于采集过程中编码格式的原因，变为“%￥&&、*&……&*等”，进而利用编码格式的转换规则，可将乱码文本转为“天龙八部、倚天屠龙记等”。
S3、对所述标准文本集中每个标准文本执行类别分类，得到包括类别名称的标准文本集。
详细地，所述对所述标准文本集中每个标准文本执行类别分类，得到包括类别名称的标准文本集，包括：
步骤A：对所述标准文本集做词向量转换，得到文本向量集；
本发明实施例中，利用word2vec将所述标准文本集转为所述文本向量集，如“天龙八部”转为文本向量[2,15,71,89,109,25]。
步骤B：将所述文本向量集投射到预构建的坐标系中，得到文本坐标集；
详细地，为了后续操作方便，本发明实施例可采用二维坐标系，详细地，所述将所述文本向量集投射到预构建的坐标系中，得到文本坐标集，包括：
根据预构建的映射关系，将所述文本向量集转为一行两列向量集；
将所述一行两列向量集中的第一列作为横坐标，将所述一行两列向量集中的第二列作为纵坐标，投射至所述坐标系中，得到所述文本坐标集。
本发明实施例中，所述映射公式是一种将高维转为低维的计算公式，可采用支持向量机算法。
步骤C：接收用户输入的类别数，利用所述类别数在所述坐标系中生成相同数量的簇心坐标集；
如用户根据实际场景，可将原始文本集分为5个类别，分别为购物文本、文学文本、学习文本、生活文本、军事文本，则对应在所述坐标系中生成5个簇心坐标，即为所述簇心坐标集。
步骤D：根据最小化平方误差算法，计算所述簇心坐标集中每个簇心坐标和所述文本坐标集中每个文本坐标的损失值，并判断所述损失值与预设阈值的大小关系；
本发明实施例中，所述最小化平方误差算法为：
Figure 114424DEST_PATH_IMAGE009
其中，
Figure 869890DEST_PATH_IMAGE002
表示文本坐标集，
Figure 462546DEST_PATH_IMAGE003
为在所述文本坐标集中第
Figure 278055DEST_PATH_IMAGE004
个文本坐标，
Figure 221740DEST_PATH_IMAGE005
表示第
Figure 780897DEST_PATH_IMAGE006
个簇心，
Figure 493638DEST_PATH_IMAGE007
表示所述簇心坐标集的个数，
Figure 214470DEST_PATH_IMAGE008
表示所述损失值，所述预设阈值一般设定为0.5。
步骤E：当所述损失值大于所述预设阈值时，计算所述文本坐标集与所述簇心坐标集的距离集，并根据所述距离集重新确定簇心坐标集，并返回步骤B，直至所述损失值小于所述阈值时，利用重新确定的所述簇心坐标集对所述文本坐标集执行类别分类，得到包括类别名称的所述标准文本集。
详细地，当损失值大于所述预设阈值时，表示根据簇心坐标集划分出的不同类别的标准文本集不符合要求，因此需重新确定簇心坐标集，以提高分类准确率，直至损失值小于所述阈值时，表示可根据簇心坐标集与标准文本集的距离，达到划分目的，如上述5个类别，分别为购物文本、文学文本、学习文本、生活文本、军事文本，对应5个簇心，选择标准文本与该5个簇心中距离最小值所对应的类别，即为标准文本的类别名称，如标准文本A分别与购物文本、文学文本、学习文本、生活文本、军事文本的簇心距离为0.34、0.24、0.76、0.84、0.99，则标准文本A的类别名称为文学文本。
S4、利用所述类别名称，对每个所述标准文本与数据库中的存储文本执行相似度计算，剔除相似度高于阈值的标准文本，得到包括类别名称的训练文本集。
本发明实施例中，在所述数据库中已预先存储了不同类别名称的存储文本，如上述购物、文学、学习、生活及军事分别在数据库中已存储了大量的存储文本，因此进一步地，通过剔除与数据库中存储文本相似度高的标准文本，可提高标准文本的纯度，达到采样监测的目的。
详细地，本发明实施例可采用欧式距离、欧几里得距离计算方法计算得到所述相似度。
S5、将所述类别名称作为真实标签，利用所述训练文本集分别对不同的分类模型执行训练，并利用所述真实标签剔除在训练过程中大于预设波动值的训练文本，得到净化文本集。
本发明实施中，所述分类模型可以是KNN、SVM（Support Vector Machine，支持向量机）、GBDT（Gradient Boosting Decision Tree，梯度提升树）、XGBoost（X-GradientBoosting Decision Tree，超梯度提升树）等分类算法
详细地，所述将所述类别名称作为真实标签，利用所述训练文本集分别对不同的分类模型执行训练，并利用所述真实标签剔除在训练过程中大于预设波动值的训练文本，得到净化文本集，包括：
利用所述类别名称对所述训练文本集执行分类，得到不同类别名称的所述训练文本集；
将不同类别名称的所述训练文本集，输入至不同的所述分类模型执行特征提取，得到特征文本集；
统计所述特征提取的次数，判断所述所述特征提取的次数是否大于预设的特征提取阈值；
若所述特征提取的次数小于所述特征提取阈值，调整每个所述分类模型的模型参数值，并利用预设的预测函数对所述特征文本集进行概率计算，得到预测标签；
计算所述预测标签与所述真实标签的误差值，当所述误差值小于或等于预设的误差阈值，继续调整每个所述分类模型的模型参数值，并返回上述利用每个所述分类模型对所述训练文本集进行特征提取的步骤；
直至所述特征提取的次数大于或等于所述特征提取阈值，或所述误差值大于所述误差阈值时，计算每个训练文本在不同的所述分类模型中对应的预测标签平均值；
计算所述预测标签平均值是否大于预设的预测标签阈值，若所述预测标签平均值大于所述预测标签阈值，提取对应的训练文本，得到所述净化文本集。
本发明实施例中，所述特征提取阈值可设定为2000、3000等。所述预测函数可以采用SOFTMAX函数，所述SOFTMAX函数又称归一化指数函数，通过所述SOFTMAX函数将特征文本转化为概率值，并取概率值最大的对应标签，即为所述预测标签，如训练文本B通过分类模型执行特征提取，得到特征文本B，通过SOFTMAX函数可计算出特征文本B对应上述5个标签的概率值分别为：购物-0.23、文学-0.14、学习-0.43、生活-0.66及军事-0.93，则训练文本B的真实标签即为军事。
进一步地，当所述特征提取的次数大于或等于所述特征提取阈值，或所述误差值大于所述误差阈值时，表示分类模型已训练完成，此时需计算每个训练文本在不同的所述分类模型中对应的预测标签平均值，详细地，所述计算每个训练文本在不同的所述分类模型中对应的预测标签平均值，包括：
提取每个所述训练文本在不同的所述分类模型中的预测标签，得到预测标签集；
统计所述预测标签集中存在相同预测标签的数量，记为第一统计值；
统计所述预测标签集中完全不相同的预测标签数量，记为第二统计值；
根据所述第一统计值及所述第二统计值，计算得到所述预测标签平均值。
如上述特征文本B在KNN中预测标签为军事，在SVM的预测标签为文学，在GBDT中预测标签为文学，在XGBoost中的预测标签为学习，则第一统计值为1，第二统计值2，进一步地，本发明按照权重不同计算得到所述预测标签平均值，如赋予第一统计值的权重为0.2，赋予第二统计值的权重为0.8，则所述预测标签平均值为0.2*1+0.8*2=1.8。
进一步地，本发明设定所述预测标签阈值为2，表示训练文本B不需剔除，当存在训练文本大于2时，则对应剔除，从而得到所述净化文本集。
S6、将所述净化文本集返回至所述数据采样指令的发起者。
本发明实施例当接收数据采样指令时，立刻从网页中采样原始文本集，同时对所采样的原始文本集执行清理操作，以剔除异常的文本数据，另外，对文本执行类别分类，并利用类别名称，剔除相似度高于数据库中的存储文本的标准文本，进一步提高文本纯度，最后，将类别名称作为真实标签，利用所述文本分别对不同的分类模型执行训练，并利用所述真实标签剔除在训练过程中大于预设波动值的文本，得到净化文本集，因此可见，本发明相比于背景来说，增加了在监控过程中提高采样数据的纯度的操作，故本发明提出的采样监测方法、装置及计算机可读存储介质，可解决在监控过程中无法对采样数据做实时清理，以提高采样数据纯度的问题。
如图4所示，是本发明采样监测装置的模块示意图。
本发明所述采样监测装置100可以安装于电子设备中。根据实现的功能，所述采样监测装置可以包括采样收集模块101、类别分类模块102、采样清理模块103及动态监测模块104。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述采样收集模块101，用于接收数据采样指令，根据所述数据采样指令从网页中采样原始文本集，清洗所述原始文本集得到标准文本集；
所述类别分类模块102，用于对所述标准文本集中每个标准文本执行类别分类，得到包括类别名称的标准文本集；
所述采样清理模块103，用于利用所述类别名称，对每个所述标准文本与数据库中的存储文本执行相似度计算，剔除相似度高于阈值的标准文本，得到包括类别名称的训练文本集；
所述动态监测模块104，用于将所述类别名称作为真实标签，利用所述训练文本集分别对不同的分类模型执行训练，并利用所述真实标签剔除在训练过程中大于预设波动值的训练文本，得到净化文本集，将所述净化文本集返回至所述数据采样指令的发起者。
本发明实施例所提供的采样监测装置100中的各个模块能够在使用时基于与上述的采样监测方法采用相同的手段，具体地实施步骤在此不再赘述，关于各模块/单元的功能所产生技术效果与上述的采样监测方法的技术效果相同的，即可解决在监控过程中无法对采样数据做实时清理，以提高采样数据纯度的问题。
如图5所示，是本发明实现采样监测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如采样监测程序12。
其中，所述存储器11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、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如采样监测程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行采样监测程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的采样监测程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
接收数据采样指令，根据所述数据采样指令从网页中采样原始文本集；
清洗所述原始文本集得到标准文本集；
对所述标准文本集中每个标准文本执行类别分类，得到包括类别名称的标准文本集；
利用所述类别名称，对每个所述标准文本与数据库中的存储文本执行相似度计算，剔除相似度高于阈值的标准文本，得到包括类别名称的训练文本集；
将所述类别名称作为真实标签，利用所述训练文本集分别对不同的分类模型执行训练，并利用所述真实标签剔除在训练过程中大于预设波动值的训练文本，得到净化文本集；
将所述净化文本集返回至所述数据采样指令的发起。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
接收数据采样指令，根据所述数据采样指令从网页中采样原始文本集；
清洗所述原始文本集得到标准文本集；
对所述标准文本集中每个标准文本执行类别分类，得到包括类别名称的标准文本集；
利用所述类别名称，对每个所述标准文本与数据库中的存储文本执行相似度计算，剔除相似度高于阈值的标准文本，得到包括类别名称的训练文本集；
将所述类别名称作为真实标签，利用所述训练文本集分别对不同的分类模型执行训练，并利用所述真实标签剔除在训练过程中大于预设波动值的训练文本，得到净化文本集；
将所述净化文本集返回至所述数据采样指令的发起。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种采样监测方法，其特征在于，所述方法包括：
接收数据采样指令，根据所述数据采样指令从网页中采样原始文本集；
清洗所述原始文本集得到标准文本集；
对所述标准文本集中每个标准文本执行类别分类，得到包括类别名称的标准文本集；
利用所述类别名称，对每个所述标准文本与数据库中的存储文本执行相似度计算，剔除相似度高于阈值的标准文本，得到包括类别名称的训练文本集；
将所述类别名称作为真实标签，利用所述训练文本集分别对不同的分类模型执行训练，并利用所述真实标签剔除在训练过程中大于预设波动值的训练文本，得到净化文本集；
将所述净化文本集返回至所述数据采样指令的发起者。
2.如权利要求1所述的采样监测方法，其特征在于，所述将所述类别名称作为真实标签，利用所述训练文本集分别对不同的分类模型执行训练，并利用所述真实标签剔除在训练过程中大于预设波动值的训练文本，得到净化文本集，包括：
利用所述类别名称对所述训练文本集执行分类，得到不同类别名称的所述训练文本集；
将不同类别名称的所述训练文本集，输入至不同的所述分类模型执行特征提取，得到特征文本集；
统计所述特征提取的次数，判断所述所述特征提取的次数是否大于预设的特征提取阈值；
若所述特征提取的次数小于所述特征提取阈值，调整每个所述分类模型的模型参数值，并利用预设的预测函数对所述特征文本集进行概率计算，得到预测标签；
计算所述预测标签与所述真实标签的误差值，当所述误差值小于或等于预设的误差阈值，继续调整每个所述分类模型的模型参数值，并返回上述利用每个所述分类模型对所述训练文本集进行特征提取的步骤；
直至所述特征提取的次数大于或等于所述特征提取阈值，或所述误差值大于所述误差阈值时，计算每个训练文本在不同的所述分类模型中对应的预测标签平均值；
计算所述预测标签平均值是否大于预设的预测标签阈值，若所述预测标签平均值大于所述预测标签阈值，提取对应的训练文本，得到所述净化文本集。
3.如权利要求2所述的采样监测方法，其特征在于，所述计算每个训练文本在不同的所述分类模型中对应的预测标签平均值，包括：
提取每个所述训练文本在不同的所述分类模型中的预测标签，得到预测标签集；
统计所述预测标签集中存在相同预测标签的数量，记为第一统计值；
统计所述预测标签集中完全不相同的预测标签数量，记为第二统计值；
根据所述第一统计值及所述第二统计值，计算得到所述预测标签平均值。
4.如权利要求1所述的采样监测方法，其特征在于，所述对所述标准文本集中每个标准文本执行类别分类，得到包括类别名称的标准文本集，包括：
步骤A：对所述标准文本集做词向量转换，得到文本向量集；
步骤B：将所述文本向量集投射到预构建的坐标系中，得到文本坐标集；
步骤C：接收用户输入的类别数，利用所述类别数在所述坐标系中生成相同数量的簇心坐标集；
步骤D：根据最小化平方误差算法，计算所述簇心坐标集中每个簇心坐标和所述文本坐标集中每个文本坐标的损失值，并判断所述损失值与预设阈值的大小关系；
步骤E：当所述损失值大于所述预设阈值时，计算所述文本坐标集与所述簇心坐标集的距离集，并根据所述距离集重新确定簇心坐标集，并返回步骤B，直至所述损失值小于所述阈值时，利用重新确定的所述簇心坐标集对所述文本坐标集执行类别分类，得到包括类别名称的所述标准文本集。
5.如权利要求4所述的采样监测方法，其特征在于，所述将所述文本向量集投射到预构建的坐标系中，得到文本坐标集，包括：
根据预构建的映射关系，将所述文本向量集转为一行两列向量集；
将所述一行两列向量集中的第一列作为横坐标，将所述一行两列向量集中的第二列作为纵坐标，投射至所述坐标系中，得到所述文本坐标集。
6.如权利要求4所述的采样监测方法，其特征在于，所述计算所述簇心坐标集中每个簇心坐标和所述文本坐标集中每个文本坐标的损失值，包括：
利用如下公式计算所述损失值：
Figure 367208DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示文本坐标集，
Figure 927502DEST_PATH_IMAGE004
为在所述文本坐标集中第
Figure DEST_PATH_IMAGE005
个文本坐标，
Figure 498816DEST_PATH_IMAGE006
表示第
Figure DEST_PATH_IMAGE007
个簇 心，
Figure 511772DEST_PATH_IMAGE008
表示所述簇心坐标集的个数，
Figure DEST_PATH_IMAGE009
表示所述损失值。
7.如权利要求1至6中任意一项所述的采样监测方法，其特征在于，所述清洗所述原始文本集得到标准文本集，包括：
剔除所述原始文本集中的空白数据、乱码数据，得到初级文本集；
判断所述初级文本集中是否存在乱码文本，若存在乱码文本，对乱码文本执行转码操作，得到所述标准文本集。
8.一种采样监测装置，其特征在于，所述装置包括：
采样收集模块，用于接收数据采样指令，根据所述数据采样指令从网页中采样原始文本集，清洗所述原始文本集得到标准文本集；
类别分类模块，用于对所述标准文本集中每个标准文本执行类别分类，得到包括类别名称的标准文本集；
采样清理模块，用于利用所述类别名称，对每个所述标准文本与数据库中的存储文本执行相似度计算，剔除相似度高于阈值的标准文本，得到包括类别名称的训练文本集；
动态监测模块，用于将所述类别名称作为真实标签，利用所述训练文本集分别对不同的分类模型执行训练，并利用所述真实标签剔除在训练过程中大于预设波动值的训练文本，得到净化文本集，将所述净化文本集返回至所述数据采样指令的发起者。
9.一种电子设备，其特征在于，所述电子设备包括：
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执行如权利要求1至7中任一项所述的采样监测方法。
10.一种计算机可读存储介质，包括存储数据区和存储程序区，其特征在于，所述存储数据区存储创建的数据，所述存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的采样监测方法。
CN202111200468.1A 2021-10-15 2021-10-15 采样监测方法、装置、电子设备及存储介质 Pending CN113869456A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111200468.1A CN113869456A (zh) 2021-10-15 2021-10-15 采样监测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111200468.1A CN113869456A (zh) 2021-10-15 2021-10-15 采样监测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN113869456A true CN113869456A (zh) 2021-12-31

Family

ID=78999527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111200468.1A Pending CN113869456A (zh) 2021-10-15 2021-10-15 采样监测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113869456A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115759027A (zh) * 2022-11-25 2023-03-07 上海苍阙信息科技有限公司 文本数据处理系统及方法
CN117370751A (zh) * 2023-09-13 2024-01-09 浙江天禹信息科技有限公司 一种交叉验证的水文数据弹性监测方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115759027A (zh) * 2022-11-25 2023-03-07 上海苍阙信息科技有限公司 文本数据处理系统及方法
CN115759027B (zh) * 2022-11-25 2024-03-26 上海苍阙信息科技有限公司 文本数据处理系统及方法
CN117370751A (zh) * 2023-09-13 2024-01-09 浙江天禹信息科技有限公司 一种交叉验证的水文数据弹性监测方法及系统
CN117370751B (zh) * 2023-09-13 2024-03-19 浙江天禹信息科技有限公司 一种交叉验证的水文数据弹性监测方法及系统

Similar Documents

Publication Publication Date Title
CN112597312A (zh) 文本分类方法、装置、电子设备及可读存储介质
CN112380870A (zh) 用户意图分析方法、装置、电子设备及计算机存储介质
CN112883190A (zh) 文本分类方法、装置、电子设备及存储介质
CN113378970B (zh) 语句相似性检测方法、装置、电子设备及存储介质
CN112380343A (zh) 问题解析方法、装置、电子设备及存储介质
CN112883730B (zh) 相似文本匹配方法、装置、电子设备及存储介质
CN113268615A (zh) 资源标签生成方法、装置、电子设备及存储介质
CN113157927A (zh) 文本分类方法、装置、电子设备及可读存储介质
CN113869456A (zh) 采样监测方法、装置、电子设备及存储介质
CN112528013A (zh) 文本摘要提取方法、装置、电子设备及存储介质
CN112733551A (zh) 文本分析方法、装置、电子设备及可读存储介质
CN112559687A (zh) 问题识别及查询方法、装置、电子设备及存储介质
CN112860905A (zh) 文本信息抽取方法、装置、设备及可读存储介质
CN112507663A (zh) 基于文本的判断题生成方法、装置、电子设备及存储介质
CN113886708A (zh) 基于用户信息的产品推荐方法、装置、设备及存储介质
CN114398557A (zh) 基于双画像的信息推荐方法、装置、电子设备及存储介质
CN112632264A (zh) 智能问答方法、装置、电子设备及存储介质
CN113505273A (zh) 基于重复数据筛选的数据排序方法、装置、设备及介质
CN112579781A (zh) 文本归类方法、装置、电子设备及介质
CN115409041B (zh) 一种非结构化数据提取方法、装置、设备及存储介质
CN115525761A (zh) 一种文章关键词筛选类别的方法、装置、设备及存储介质
CN114943306A (zh) 意图分类方法、装置、设备及存储介质
CN115221274A (zh) 文本情感分类方法、装置、电子设备及存储介质
CN115203364A (zh) 软件故障反馈处理方法、装置、设备及可读存储介质
CN112632260A (zh) 智能问答方法、装置、电子设备及计算机可读存储介质

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