CN116738396A - 基于人工智能的勘界标准文档录入方法及系统 - Google Patents
基于人工智能的勘界标准文档录入方法及系统 Download PDFInfo
- Publication number
- CN116738396A CN116738396A CN202310989002.7A CN202310989002A CN116738396A CN 116738396 A CN116738396 A CN 116738396A CN 202310989002 A CN202310989002 A CN 202310989002A CN 116738396 A CN116738396 A CN 116738396A
- Authority
- CN
- China
- Prior art keywords
- action data
- user action
- typical
- user
- typical user
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000009471 action Effects 0.000 claims abstract description 466
- 238000004458 analytical method Methods 0.000 claims abstract description 84
- 230000000875 corresponding effect Effects 0.000 claims description 142
- 238000013507 mapping Methods 0.000 claims description 24
- 238000012512 characterization method Methods 0.000 claims description 23
- 238000005065 mining Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 abstract description 2
- 230000015572 biosynthetic process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
Classifications
-
- 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
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Security & Cryptography (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供的基于人工智能的勘界标准文档录入方法及系统,涉及人工智能技术领域。在本发明中,对文档录入请求信息进行解析操作,以确定出文档录入请求信息对应的待分析录入用户;基于待分析录入用户对应的待分析用户动作数据,对待分析录入用户进行用户安全分析操作,以输出待分析录入用户对应的目标用户安全分析数据,待分析用户动作数据属于待分析录入用户进行的与勘界标准文档之间具有相关性的网络动作;在目标用户安全分析数据反映出待分析录入用户属于安全用户的情况下,接收并存储待分析录入用户发送的待录入勘界标准文档。基于上述内容,可以在一定程度上提高勘界标准文档录入的安全性,提高勘界标准文档录入的规范性及高效性。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种基于人工智能的勘界标准文档录入方法及系统。
背景技术
勘界是一种对自然资源进行处理的重要手段,其中,对于勘界的结果一般会形成相应的文档,如经过相应的人员的整理操作之后会形成各式各样的勘界文档并进行规范格式标准化。并且,在形成勘界标准文档之后,一般还会需要进行文档规范录入操作,使得勘界标准文档可以在有相应需求的时候进行查找利用。但是,在现有技术中,在勘界标准文档录入的过程中,存在着安全性不高的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于人工智能的勘界标准文档录入方法及系统,在一定程度上提高勘界标准文档录入的安全性。
为实现上述目的,本发明实施例采用如下技术方案:
一种基于人工智能的勘界标准文档录入方法,包括:
在接收到文档录入请求信息的时候,对所述文档录入请求信息进行解析操作,以确定出所述文档录入请求信息对应的待分析录入用户,所述待分析录入用户是指请求进行勘界标准文档录入操作的用户;
基于所述待分析录入用户对应的待分析用户动作数据,对所述待分析录入用户进行用户安全分析操作,以输出所述待分析录入用户对应的目标用户安全分析数据,所述待分析用户动作数据属于所述待分析录入用户进行的与勘界标准文档之间具有相关性的网络动作;
在所述目标用户安全分析数据反映出所述待分析录入用户属于安全用户的情况下,接收并存储所述待分析录入用户通过目标用户终端设备进行勘界标准文档录入操作发送的待录入勘界标准文档。
在一些优选的实施例中,在上述基于人工智能的勘界标准文档录入方法中,所述基于所述待分析录入用户对应的待分析用户动作数据,对所述待分析录入用户进行用户安全分析操作,以输出所述待分析录入用户对应的目标用户安全分析数据的步骤,包括:
确定出预设时间区间内所述待分析录入用户做出的用户动作数据集合,所述用户动作数据集合包括基于动作形成时间的先后关系进行罗列的用户动作数据组合,所述用户动作数据组合包括所述待分析录入用户的第一类用户动作数据和第二类用户动作数据,所述第一类用户动作数据和所述第二类用户动作数据描述的用户动作属于不同的种类;
从已经确定的多个分类集合中的每一个分类集合中,统计出目标典型用户动作数据子集的数目统计值,所述目标典型用户动作数据子集包含于所述用户动作数据集合中,每一个所述分类集合是按照典型非安全用户对应的一个典型用户动作数据子集为候选用户动作数据子集,将所述典型非安全用户对应的多个典型用户动作数据子集进行分类操作以形成的分类集合,每一个所述典型用户动作数据子集包括所述典型非安全用户对应的典型用户动作数据集合中连续的多个典型用户动作数据,所述典型用户动作数据集合包括基于动作形成时间的先后关系进行罗列的典型用户动作数据组合,所述典型用户动作数据组合包括所述典型非安全用户的典型第一类用户动作数据和典型第二类用户动作数据,所述典型第一类用户动作数据和所述典型第二类用户动作数据描述的用户动作属于不同的种类;
基于所述目标典型用户动作数据子集的数目统计值,分析出所述待分析录入用户的目标用户安全分析数据。
在一些优选的实施例中,在上述基于人工智能的勘界标准文档录入方法中,所述基于所述待分析录入用户对应的待分析用户动作数据,对所述待分析录入用户进行用户安全分析操作,以输出所述待分析录入用户对应的目标用户安全分析数据的步骤,还包括:
确定出参考时间区间内所述典型非安全用户做出的典型用户动作数据集合,所述典型用户动作数据集合包括的每一个典型用户动作数据的动作形成时间属于所述参考时间区间内;
对所述典型用户动作数据集合拆分,以形成所述典型用户动作数据集合对应的多个典型用户动作数据子集;
确定出所述多个典型用户动作数据子集中不一样的典型用户动作数据子集的子集分布状态描述数据,以及,基于所述不一样的典型用户动作数据子集的子集分布状态描述数据,形成对应的所述多个分类集合。
在一些优选的实施例中,在上述基于人工智能的勘界标准文档录入方法中,所述确定出参考时间区间内所述典型非安全用户做出的典型用户动作数据集合的步骤,包括:
倘若所述典型非安全用户包括多个非安全用户,则确定出所述参考时间区间内所述多个非安全用户中的每一个非安全用户做出的典型用户动作数据形成的典型用户动作数据集合;
并且,所述对所述典型用户动作数据集合拆分,以形成所述典型用户动作数据集合对应的多个典型用户动作数据子集的步骤,包括:
分别对所述多个非安全用户中的每一个非安全用户做出的典型用户动作数据形成的典型用户动作数据集合进行拆分标记,以标记所述典型用户动作数据子集,每一个所述典型用户动作数据子集包括一个所述非安全用户做出的典型用户动作数据形成的典型用户动作数据集合中连续的多个典型用户动作数据。
在一些优选的实施例中,在上述基于人工智能的勘界标准文档录入方法中,所述确定出所述多个典型用户动作数据子集中不一样的典型用户动作数据子集的子集分布状态描述数据,以及,基于所述不一样的典型用户动作数据子集的子集分布状态描述数据,形成对应的所述多个分类集合的步骤,包括:
确定出所述多个典型用户动作数据子集中不一样的典型用户动作数据子集的子集分布状态描述数据;
基于所述不一样的典型用户动作数据子集的子集分布状态描述数据,从所述不一样的典型用户动作数据子集中,确定出第一数量个典型用户动作数据子集,所述不一样的典型用户动作数据子集为不一样的第二数量个典型用户动作数据子集,所述第二数量大于所述第一数量;
对所述第二数量个典型用户动作数据子集中的每一个典型用户动作数据子集进行特征空间映射操作,以形成对应的动作数据特征表示,所述第二数量个典型用户动作数据子集映射形成的动作数据特征表示包括第二数量个动作数据特征表示;
将所述第一数量个典型用户动作数据子集中的每一个典型用户动作数据子集作为候选用户动作数据子集,并基于所述第二数量个动作数据特征表示,将所述第二数量个典型用户动作数据子集进行分类操作,以形成第一数量个分类集合。
在一些优选的实施例中,在上述基于人工智能的勘界标准文档录入方法中,所述基于所述不一样的典型用户动作数据子集的子集分布状态描述数据,从所述不一样的典型用户动作数据子集中,确定出第一数量个典型用户动作数据子集的步骤,包括:
倘若所述第二数量个典型用户动作数据子集的子集分布状态描述数据反映出所述第二数量个典型用户动作数据子集中的每一个典型用户动作数据子集在所述多个典型用户动作数据子集中的相同子集数量,则从所述第二数量个典型用户动作数据子集中,确定出基于所述相同子集数量从大到小罗列的最前面的第一数量个典型用户动作数据子集;
并且,所述对所述第二数量个典型用户动作数据子集中的每一个典型用户动作数据子集进行特征空间映射操作,以形成对应的动作数据特征表示的步骤,包括:
将所述第二数量个典型用户动作数据子集中的每一个典型用户动作数据子集,进行以下的子步骤,且在进行该子步骤的过程中,每一个典型用户动作数据子集依次或并列的作为待处理的典型用户动作数据子集:
对所述待处理的典型用户动作数据子集中的每一个典型用户动作数据进行特征空间映射操作,以形成对应的动作数据特征表示;
对所述待处理的典型用户动作数据子集中的每一个典型用户动作数据对应的动作数据特征表示进行聚合操作,以形成所述待处理的典型用户动作数据子集对应的特征表示分布阵列,所述特征表示分布阵列包括所述待处理的典型用户动作数据子集中的每一个典型用户动作数据对应的动作数据特征表示。
在一些优选的实施例中,在上述基于人工智能的勘界标准文档录入方法中,所述对所述待处理的典型用户动作数据子集中的每一个典型用户动作数据对应的动作数据特征表示进行聚合操作,以形成所述待处理的典型用户动作数据子集对应的特征表示分布阵列的步骤,包括:
分别对所述待处理的典型用户动作数据子集中的每一个典型用户动作数据对应的动作数据特征表示进行相邻特征表示的关联挖掘操作,以输出每一个典型用户动作数据对应的关联挖掘数据特征表示;
对所述待处理的典型用户动作数据子集中的每一个典型用户动作数据对应的关联挖掘数据特征表示基于第一方向或第二方向进行级联组合操作,以形成所述待处理的典型用户动作数据子集对应的特征表示分布阵列,所述第一方向和所述第二方向为所述关联挖掘数据特征表示中特征表示参数的两个不一样的分布方向。
在一些优选的实施例中,在上述基于人工智能的勘界标准文档录入方法中,所述将所述第一数量个典型用户动作数据子集中的每一个典型用户动作数据子集作为候选用户动作数据子集,并基于所述第二数量个动作数据特征表示,将所述第二数量个典型用户动作数据子集进行分类操作,以形成第一数量个分类集合的步骤,包括:
针对所述第一数量个典型用户动作数据子集中的每一个典型用户动作数据子集,进行以下的子步骤,且在进行该子步骤的过程中,每一个所述典型用户动作数据子集依次或并列作为待处理的典型用户动作数据子集:
计算出第三数量个典型用户动作数据子集中的每一个典型用户动作数据子集对应的动作数据特征表示和所述待处理的典型用户动作数据子集对应的动作数据特征表示之间的特征表示匹配参数,以形成第三数量个特征表示匹配参数,所述第三数量个典型用户动作数据子集属于所述第二数量个典型用户动作数据子集中所述待处理的典型用户动作数据子集以外的典型用户动作数据子集,所述第二数量和所述第三数量之间的差值等于1;
对所述待处理的典型用户动作数据子集对应的一个分类集合进行标记,以标记为包括在所述第三数量个典型用户动作数据子集中特征表示匹配参数大于或等于预设的参考特征表示匹配参数的典型用户动作数据子集和所述待处理的典型用户动作数据子集。
在一些优选的实施例中,在上述基于人工智能的勘界标准文档录入方法中,所述基于所述目标典型用户动作数据子集的数目统计值,分析出所述待分析录入用户的目标用户安全分析数据的步骤,包括:
基于所述目标典型用户动作数据子集的数目统计值,分析出所述用户动作数据集合在所述多个分类集合中的每一个分类集合的集合表征信息;
对所述用户动作数据集合在所述多个分类集合中的每一个分类集合的集合表征信息进行加载,以加载到优化用户安全分析网络中,输出所述待分析录入用户对应的目标用户安全分析数据,所述优化用户安全分析网络是依据示例性集合表征信息簇对初始用户安全分析网络进行网络优化操作形成,所述示例性集合表征信息簇包括多个示例性用户对应的示例性用户动作数据集合在所述多个分类集合中的每一个分类集合的集合表征信息;
并且,所述从已经确定的多个分类集合中的每一个分类集合中,统计出目标典型用户动作数据子集的数目统计值的步骤,包括:
对所述用户动作数据集合进行拆分操作,以形成对应的多个用户动作数据组合,所述多个用户动作数据组合中的每一个用户动作数据组合包括所述用户动作数据集合中连续的多个用户动作数据;
从已经确定的多个分类集合中的每一个分类集合中,统计出所述目标典型用户动作数据子集的数目统计值,所述多个用户动作数据组合包括所述目标典型用户动作数据子集。
本发明实施例还提供一种基于人工智能的勘界标准文档录入系统,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的基于人工智能的勘界标准文档录入方法。
本发明实施例提供的基于人工智能的勘界标准文档录入方法及系统,可以先对文档录入请求信息进行解析操作,以确定出文档录入请求信息对应的待分析录入用户;基于待分析录入用户对应的待分析用户动作数据,对待分析录入用户进行用户安全分析操作,以输出待分析录入用户对应的目标用户安全分析数据,待分析用户动作数据属于待分析录入用户进行的与勘界标准文档之间具有相关性的网络动作;在目标用户安全分析数据反映出待分析录入用户属于安全用户的情况下,接收并存储待分析录入用户发送的待录入勘界标准文档。基于前述的内容,由于会先基于待分析用户动作数据对待分析录入用户进行用户安全分析操作,且在待分析录入用户属于安全用户的情况下,接收并存储待分析录入用户发送的待录入勘界标准文档(即实现勘界标准文档的录入),因此,可以在一定程度上改善因非安全用户进行勘界标准文档录入而导致安全性问题,也就是说,可以在一定程度上提高勘界标准文档录入的安全性。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的基于人工智能的勘界标准文档录入系统的结构框图。
图2为本发明实施例提供的基于人工智能的勘界标准文档录入方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于人工智能的勘界标准文档录入装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种基于人工智能的勘界标准文档录入系统。其中,所述勘界标准文档录入系统可以包括存储器和处理器。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的基于人工智能的勘界标准文档录入方法。
应当理解的是,在一些可能的具体实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
应当理解的是,在一些可能的具体实施方式中,所述基于人工智能的勘界标准文档录入系统可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种基于人工智能的勘界标准文档录入方法,可应用于上述基于人工智能的勘界标准文档录入系统。其中,所述基于人工智能的勘界标准文档录入方法有关的流程所定义的方法步骤,可以由所述基于人工智能的勘界标准文档录入系统实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,在接收到文档录入请求信息的时候,对所述文档录入请求信息进行解析操作,以确定出所述文档录入请求信息对应的待分析录入用户。
在本发明实施例中,所述基于人工智能的勘界标准文档录入系统可以在接收到文档录入请求信息的时候,对所述文档录入请求信息进行解析操作,以确定出所述文档录入请求信息对应的待分析录入用户(如解析出待分析录入用户的用户标识等身份信息)。所述待分析录入用户是指请求进行勘界标准文档录入操作的用户。例如,所述待分析录入用户在进行文档录入操作之后,会先通过相应的目标用户终端设备向所述基于人工智能的勘界标准文档录入系统发送文档录入请求信息,以请求进行文档录入操作。
步骤S120,基于所述待分析录入用户对应的待分析用户动作数据,对所述待分析录入用户进行用户安全分析操作,以输出所述待分析录入用户对应的目标用户安全分析数据。
在本发明实施例中,所述基于人工智能的勘界标准文档录入系统可以基于所述待分析录入用户对应的待分析用户动作数据,对所述待分析录入用户进行用户安全分析操作,以输出所述待分析录入用户对应的目标用户安全分析数据。所述待分析用户动作数据属于所述待分析录入用户进行的与勘界标准文档之间具有相关性的网络动作,如历史上进行的其它文档录入操作、文档修改操作、文档读取操作等。
步骤S130,在所述目标用户安全分析数据反映出所述待分析录入用户属于安全用户的情况下,接收并存储所述待分析录入用户通过目标用户终端设备进行勘界标准文档录入操作发送的待录入勘界标准文档。
在本发明实施例中,所述基于人工智能的勘界标准文档录入系统可以在所述目标用户安全分析数据反映出所述待分析录入用户属于安全用户的情况下,接收并存储所述待分析录入用户通过目标用户终端设备进行勘界标准文档录入操作发送的待录入勘界标准文档。也就是说,在所述目标用户安全分析数据反映出所述待分析录入用户属于非安全用户的情况下,拒绝接收并存储所述待分析录入用户通过目标用户终端设备进行勘界标准文档录入操作发送的待录入勘界标准文档,如此,一方面可以实现待录入勘界标准文档的非法录入,还可以实现对伪装的文档录入操作(如在文档录入的过程中对其它文档进行篡改或读取等操作)的阻止。
基于前述的内容,即基于前述的步骤S110-步骤S130,由于会先基于待分析用户动作数据对待分析录入用户进行用户安全分析操作,且在待分析录入用户属于安全用户的情况下,接收并存储待分析录入用户发送的待录入勘界标准文档(即实现勘界标准文档的录入),因此,可以在一定程度上改善因非安全用户进行勘界标准文档录入而导致安全性问题,也就是说,可以在一定程度上提高勘界标准文档录入的安全性,提高勘界标准文档录入的规范性及高效性。
应当理解的是,在一些可能的具体实施方式中,上述实施方式中的步骤S120,即所述基于所述待分析录入用户对应的待分析用户动作数据,对所述待分析录入用户进行用户安全分析操作,以输出所述待分析录入用户对应的目标用户安全分析数据的步骤,可以进一步包括以下的实施内容:
确定出预设时间区间内所述待分析录入用户做出的用户动作数据集合,所述用户动作数据集合包括基于动作形成时间的先后关系进行罗列的用户动作数据组合,所述用户动作数据组合包括所述待分析录入用户的第一类用户动作数据和第二类用户动作数据,所述第一类用户动作数据和所述第二类用户动作数据描述的用户动作属于不同的种类,示例性地,所述第一类用户动作数据可以是指文档录入操作,所述第二类用户动作数据可以是指文档录入操作以外的其它操作,如文档修改操作、文档读取操作等;另外,所述预设时间区间可以是最近的一个时间区间,具体的时间区间长度不受限制,可以根据实际需求进行配置;
从已经确定的多个分类集合中的每一个分类集合中,统计出目标典型用户动作数据子集的数目统计值,所述目标典型用户动作数据子集包含于所述用户动作数据集合中,每一个所述分类集合是按照典型非安全用户对应的一个典型用户动作数据子集为候选用户动作数据子集,将所述典型非安全用户对应的多个典型用户动作数据子集进行分类操作以形成的分类集合,每一个所述典型用户动作数据子集包括所述典型非安全用户对应的典型用户动作数据集合中连续的多个典型用户动作数据,所述典型用户动作数据集合包括基于动作形成时间的先后关系进行罗列的典型用户动作数据组合,所述典型用户动作数据组合包括所述典型非安全用户的典型第一类用户动作数据(对应于前述的第一类用户动作数据)和典型第二类用户动作数据(对应于前述的第二类用户动作数据),所述典型第一类用户动作数据和所述典型第二类用户动作数据描述的用户动作属于不同的种类;
基于所述目标典型用户动作数据子集的数目统计值,分析出所述待分析录入用户的目标用户安全分析数据,例如,可以直接基于所述数目统计值进行映射输出,以得到所述待分析录入用户的目标用户安全分析数据,又例如,也可以对所述数目统计值进行进一步的分析,再基于分析的结果确定所述待分析录入用户的目标用户安全分析数据。
应当理解的是,在一些可能的具体实施方式中,所述从已经确定的多个分类集合中的每一个分类集合中,统计出目标典型用户动作数据子集的数目统计值的步骤,可以进一步包括以下的实施内容:
对所述用户动作数据集合进行拆分操作,以形成对应的多个用户动作数据组合,所述多个用户动作数据组合中的每一个用户动作数据组合包括所述用户动作数据集合中连续的多个用户动作数据,示例性地,可以基于包括的用户动作数据对应的动作形成时间之间的关系,对所述用户动作数据集合进行拆分操作,例如,可以将两个用户动作数据对应的动作形成时间之间的间隔大于或等于预设间隔的两个用户动作数据之间的位置确定为拆分位置,以拆分到相邻的两个用户动作数据组合中;
从已经确定的多个分类集合中的每一个分类集合中,统计出所述目标典型用户动作数据子集的数目统计值,所述多个用户动作数据组合包括所述目标典型用户动作数据子集,也就是说,所述目标典型用户动作数据子集出现在所述用户动作数据集合中;示例性地,对于已经确定的多个分类集合中的每一个分类集合,可以统计出所述目标典型用户动作数据子集在该分类集合中相同的典型用户动作数据的数量或统计出所述目标典型用户动作数据子集在该分类集合中的出现数量。
应当理解的是,在一些可能的具体实施方式中,所述基于所述目标典型用户动作数据子集的数目统计值,分析出所述待分析录入用户的目标用户安全分析数据的步骤,可以进一步包括以下的实施内容:
基于所述目标典型用户动作数据子集的数目统计值,分析出所述用户动作数据集合在所述多个分类集合中的每一个分类集合的集合表征信息;
对所述用户动作数据集合在所述多个分类集合中的每一个分类集合的集合表征信息进行加载,以加载到优化用户安全分析网络中,输出所述待分析录入用户对应的目标用户安全分析数据,所述优化用户安全分析网络是依据示例性集合表征信息簇对初始用户安全分析网络进行网络优化操作形成,所述示例性集合表征信息簇包括多个示例性用户对应的示例性用户动作数据集合在所述多个分类集合中的每一个分类集合的集合表征信息,也就是说,所述初始用户安全分析网络可以对集合表征信息和对应的实际用户安全分析数据之间的映射关系进行学习,即形成学习到该映射关系的优化用户安全分析网络,使得可以通过所述优化用户安全分析网络,基于该映射关系,对集合表征信进行映射操作,得到目标用户安全分析数据。
其中,应当理解的是,在一些可能的具体实施方式中,所述基于所述目标典型用户动作数据子集的数目统计值,分析出所述用户动作数据集合在所述多个分类集合中的每一个分类集合的集合表征信息的步骤,可以进一步包括以下的实施内容:
针对所述多个分类集合中的每一个分类集合,进行以下的子步骤,且在进行该子步骤的过程中,每一个所述分类集合依次或并列作为待处理的分类集合,所述待处理的分类集合中被所述用户动作数据集合包括的典型用户动作数据子集的数目被标记为待处理子集数目:
对所述用户动作数据集合在所述待处理的分类集合中的集合表征信息进行生成操作,使得该集合表征信息包括所述待处理子集数目和待处理数目占比,所述待处理数目占比等于所述待处理子集数目和所述待处理的分类集合中包括的所述典型用户动作数据子集的数目之间的商值,所述目标典型用户动作数据子集属于一个所述典型用户动作数据子集。
其中,应当理解的是,在一些可能的具体实施方式中,所述基于所述待分析录入用户对应的待分析用户动作数据,对所述待分析录入用户进行用户安全分析操作,以输出所述待分析录入用户对应的目标用户安全分析数据的步骤,还可以进一步包括以下的实施内容:
确定出所述多个示例性用户对应的示例性用户动作数据集合在所述多个分类集合中的每一个分类集合中的集合表征信息,以形成所述示例性集合表征信息簇,所述多个示例性用户的目标用户安全分析数据为已经确定的目标用户安全分析数据,所述已经确定的目标用户安全分析数据用于反映所述示例性用户是否属于非安全用户,可以理解的是,示例性用户动作数据和典型用户动作数据都是指用户动作数据,在内容上并没有实质的区别,仅是为了用于区别;
基于所述示例性集合表征信息簇,将所述初始用户安全分析网络进行网络优化操作,使得所述初始用户安全分析网络分析出的目标用户安全分析数据和所述已经确定的目标用户安全分析数据之间的网络优化代价指标与预设指标匹配,以及,将网络优化代价指标与所述预设指标匹配的所述初始用户安全分析网络标记为所述优化用户安全分析网络,所述网络优化代价指标可以正相关于,所述目标用户安全分析数据和所述已经确定的目标用户安全分析数据之间的差异,所述预设指标可以根据需求进行配置,另外,所述网络优化代价指标与所述预设指标匹配可以是指,所述网络优化代价指标小于或等于所述预设指标。
应当理解的是,在一些可能的具体实施方式中,所述基于所述待分析录入用户对应的待分析用户动作数据,对所述待分析录入用户进行用户安全分析操作,以输出所述待分析录入用户对应的目标用户安全分析数据的步骤,还可以进一步包括以下的实施内容:
确定出参考时间区间内所述典型非安全用户做出的典型用户动作数据集合,所述典型用户动作数据集合包括的每一个典型用户动作数据的动作形成时间属于所述参考时间区间内,所述参考时间区间可以是相较于所述预设时间区间的一个更早和/或更长的区间区间,所述典型非安全用户做出的典型用户动作数据集合可以是指所述典型非安全用户做出的典型用户动作数据构建形成的典型用户动作数据集合;
对所述典型用户动作数据集合拆分,以形成所述典型用户动作数据集合对应的多个典型用户动作数据子集,所述多个典型用户动作数据子集可以构成所述典型用户动作数据集合,或者,所述多个典型用户动作数据子集可以属于所述典型用户动作数据集合中的部分;
确定出所述多个典型用户动作数据子集中不一样的典型用户动作数据子集的子集分布状态描述数据,以及,基于所述不一样的典型用户动作数据子集的子集分布状态描述数据,形成对应的所述多个分类集合,也就是说,可以将所述子集分布状态描述数据作为分类的依据。
应当理解的是,在一些可能的具体实施方式中,所述确定出参考时间区间内所述典型非安全用户做出的典型用户动作数据集合的步骤,可以进一步包括以下的实施内容:
倘若所述典型非安全用户包括多个非安全用户,则确定出所述参考时间区间内所述多个非安全用户中的每一个非安全用户做出的典型用户动作数据形成的典型用户动作数据集合,即将每一个非安全用户在所述参考时间区间内做出的典型用户动作数据提取出。
应当理解的是,在一些可能的具体实施方式中,所述对所述典型用户动作数据集合拆分,以形成所述典型用户动作数据集合对应的多个典型用户动作数据子集的步骤,可以进一步包括以下的实施内容:
分别对所述多个非安全用户中的每一个非安全用户做出的典型用户动作数据形成的典型用户动作数据集合进行拆分标记,以标记所述典型用户动作数据子集,每一个所述典型用户动作数据子集包括一个所述非安全用户做出的典型用户动作数据形成的典型用户动作数据集合中连续的多个典型用户动作数据,也就是说,对于所述多个非安全用户中的每一个非安全用户,可以将所述典型用户动作数据集合中该非安全用户做出的全部的典型用户动作数据,作为一个典型用户动作数据子集或拆分为多个典型用户动作数据子集,如此,可以使得形成的所述典型用户动作数据子集的数量大于或等于所述多个非安全用户的数量。
应当理解的是,在一些可能的具体实施方式中,所述确定出所述多个典型用户动作数据子集中不一样的典型用户动作数据子集的子集分布状态描述数据,以及,基于所述不一样的典型用户动作数据子集的子集分布状态描述数据,形成对应的所述多个分类集合的步骤,可以进一步包括以下的实施内容:
确定出所述多个典型用户动作数据子集中不一样的典型用户动作数据子集的子集分布状态描述数据,所述子集分布状态描述数据可以是指一个典型用户动作数据子集在所述多个典型用户动作数据子集中的出现数量;
基于所述不一样的典型用户动作数据子集的子集分布状态描述数据,从所述不一样的典型用户动作数据子集中,确定出第一数量个典型用户动作数据子集,所述不一样的典型用户动作数据子集为不一样的第二数量个典型用户动作数据子集,所述第二数量大于所述第一数量,也就是说,从第二数量个不一样的典型用户动作数据子集,确定出确定出第一数量个典型用户动作数据子集;
对所述第二数量个典型用户动作数据子集中的每一个典型用户动作数据子集进行特征空间映射操作,以形成对应的动作数据特征表示,所述第二数量个典型用户动作数据子集映射形成的动作数据特征表示包括第二数量个动作数据特征表示,也就是说,可以将所述典型用户动作数据子集进行特征空间映射操作,以形成对应的动作数据特征表示,即将所述述典型用户动作数据子集映射到特征空间中,用向量的形式进行表示以得到动作数据特征表示,即特征表示的形式可以为向量;
将所述第一数量个典型用户动作数据子集中的每一个典型用户动作数据子集作为候选用户动作数据子集,并基于所述第二数量个动作数据特征表示,将所述第二数量个典型用户动作数据子集进行分类操作,以形成第一数量个分类集合,即将动作数据特征表示作为分类的依据。
应当理解的是,在一些可能的具体实施方式中,所述基于所述不一样的典型用户动作数据子集的子集分布状态描述数据,从所述不一样的典型用户动作数据子集中,确定出第一数量个典型用户动作数据子集的步骤,可以进一步包括以下的实施内容:
倘若所述第二数量个典型用户动作数据子集的子集分布状态描述数据反映出所述第二数量个典型用户动作数据子集中的每一个典型用户动作数据子集在所述多个典型用户动作数据子集中的相同子集数量,则从所述第二数量个典型用户动作数据子集中,确定出基于所述相同子集数量从大到小罗列的最前面的第一数量个典型用户动作数据子集,所述第一数量可以预先进行配置操作以形成,即属于固定的,或者,可以将所述相同子集数量大于或等于预设子集数量的典型用户动作数据子集抽选出,以形成第一数量个典型用户动作数据子集,如此,所述第一数量是动态的。
应当理解的是,在一些可能的具体实施方式中,所述对所述第二数量个典型用户动作数据子集中的每一个典型用户动作数据子集进行特征空间映射操作,以形成对应的动作数据特征表示的步骤,可以进一步包括以下的实施内容:
将所述第二数量个典型用户动作数据子集中的每一个典型用户动作数据子集,进行以下的子步骤,且在进行该子步骤的过程中,每一个典型用户动作数据子集依次或并列的作为待处理的典型用户动作数据子集:
对所述待处理的典型用户动作数据子集中的每一个典型用户动作数据进行特征空间映射操作,以形成对应的动作数据特征表示,例如,对典型用户动作数据1进行特征空间映射操作,可以形成动作数据特征表示1,对典型用户动作数据2进行特征空间映射操作,可以形成动作数据特征表示2,对典型用户动作数据3进行特征空间映射操作,可以形成动作数据特征表示3,对典型用户动作数据4进行特征空间映射操作,可以形成动作数据特征表示4,对典型用户动作数据5进行特征空间映射操作,可以形成动作数据特征表示5,即对每一个典型用户动作数据进行特征空间映射操作;
对所述待处理的典型用户动作数据子集中的每一个典型用户动作数据对应的动作数据特征表示进行聚合操作,即将各动作数据特征表示组合在一起,以形成所述待处理的典型用户动作数据子集对应的特征表示分布阵列,所述特征表示分布阵列包括所述待处理的典型用户动作数据子集中的每一个典型用户动作数据对应的动作数据特征表示。
应当理解的是,在一些可能的具体实施方式中,所述对所述待处理的典型用户动作数据子集中的每一个典型用户动作数据对应的动作数据特征表示进行聚合操作,以形成所述待处理的典型用户动作数据子集对应的特征表示分布阵列的步骤,可以进一步包括以下的实施内容:
分别对所述待处理的典型用户动作数据子集中的每一个典型用户动作数据对应的动作数据特征表示进行相邻特征表示的关联挖掘操作,以输出每一个典型用户动作数据对应的关联挖掘数据特征表示,如此,可以使得所述关联挖掘数据特征表示的信息表征能力更强;
对所述待处理的典型用户动作数据子集中的每一个典型用户动作数据对应的关联挖掘数据特征表示基于第一方向或第二方向进行级联组合操作,以形成所述待处理的典型用户动作数据子集对应的特征表示分布阵列,所述第一方向和所述第二方向为所述关联挖掘数据特征表示中特征表示参数的两个不一样的分布方向,如列参数的延伸方向和行参数的延伸方向,也就是说,形成的所述特征表示分布阵列可以是一个尺寸更大的特征表示。
其中,应当理解的是,在一些可能的具体实施方式中,所述分别对所述待处理的典型用户动作数据子集中的每一个典型用户动作数据对应的动作数据特征表示进行相邻特征表示的关联挖掘操作,以输出每一个典型用户动作数据对应的关联挖掘数据特征表示的步骤,可以进一步包括以下的实施内容:
对于所述待处理的典型用户动作数据子集中的每一个典型用户动作数据,将该典型用户动作数据标记为第一典型用户动作数据,以及,将所述待处理的典型用户动作数据子集中对应的动作形成时间与所述第一典型用户动作数据中对应的动作形成时间之间的时间间隔小于预设时间间隔的其它典型用户动作数据,标记为第二典型用户动作数据和第三典型用户动作数据,所述第二典型用户动作数据对应的动作形成时间早于所述第一典型用户动作数据对应的动作形成时间,所述第三典型用户动作数据对应的动作形成时间晚于所述第一典型用户动作数据对应的动作形成时间,另外,所述预设时间间隔的具体间隔长度可以根据实际需求进行配置;
将每一个所述第二典型用户动作数据对应的动作数据特征表示进行均值操作,以输出对应的第一相关动作数据特征表示;
将每一个所述第三典型用户动作数据对应的动作数据特征表示进行均值操作,以输出对应的第二相关动作数据特征表示;
分别将所述第一典型用户动作数据对应的动作数据特征表示、所述第一相关动作数据特征表示和所述第二相关动作数据特征表示进行卷积操作(通过卷积神经网络实现),以输出对应的第一卷积特征表示、第二卷积特征表示和第三卷积特征表示,其中,所述第一卷积特征表示属于所述第一典型用户动作数据对应的动作数据特征表示的卷积操作结果,所述第二卷积特征表示属于所述第一相关动作数据特征表示的卷积操作结果,所述第三卷积特征表示属于所述第二相关动作数据特征表示的卷积操作结果;
将所述第二卷积特征表示的转置结果和所述第一卷积特征表示进行数量积的计算,以输出对应的第一数量积,以及,基于所述第一数量积,对所述第二卷积特征表示进行加权,以输出对应的第一加权卷积特征表示;
将所述第三卷积特征表示的转置结果和所述第一卷积特征表示进行数量积的计算,以输出对应的第二数量积,以及,基于所述第二数量积,对所述第三卷积特征表示进行加权,以输出对应的第二加权卷积特征表示;
对所述第一卷积特征表示、所述第一加权卷积特征表示和所述第二加权卷积特征表示进行聚合操作,如进行叠加运算等操作,以形成所述第一典型用户动作数据对应的关联挖掘数据特征表示。
应当理解的是,在一些可能的具体实施方式中,所述将所述第一数量个典型用户动作数据子集中的每一个典型用户动作数据子集作为候选用户动作数据子集,并基于所述第二数量个动作数据特征表示,将所述第二数量个典型用户动作数据子集进行分类操作,以形成第一数量个分类集合的步骤,可以进一步包括以下的实施内容:
针对所述第一数量个典型用户动作数据子集中的每一个典型用户动作数据子集,进行以下的子步骤,且在进行该子步骤的过程中,每一个所述典型用户动作数据子集依次或并列作为待处理的典型用户动作数据子集:
计算出第三数量个典型用户动作数据子集中的每一个典型用户动作数据子集对应的动作数据特征表示和所述待处理的典型用户动作数据子集对应的动作数据特征表示之间的特征表示匹配参数,以形成第三数量个特征表示匹配参数,所述第三数量个典型用户动作数据子集属于所述第二数量个典型用户动作数据子集中所述待处理的典型用户动作数据子集以外的典型用户动作数据子集,所述第二数量和所述第三数量之间的差值等于1,所述特征表示匹配参数可以与对应的两个动作数据特征表示之间的距离负相关,该距离可以是指向量之间的余弦距离等;
对所述待处理的典型用户动作数据子集对应的一个分类集合进行标记,以标记为包括在所述第三数量个典型用户动作数据子集中特征表示匹配参数大于或等于预设的参考特征表示匹配参数的典型用户动作数据子集和所述待处理的典型用户动作数据子集,所述参考特征表示匹配参数的具体数值不受限制,可以根据实际需求进行配置;也就是说,将与所述待处理的典型用户动作数据子集之间的特征表示匹配参数大于或等于预设的参考特征表示匹配参数的各典型用户动作数据子集,以及,所述待处理的典型用户动作数据子集,分配到一个分类集合中。
结合图3,本发明实施例还提供一种基于人工智能的勘界标准文档录入装置,可应用于上述基于人工智能的勘界标准文档录入系统。其中,所述基于人工智能的勘界标准文档录入装置可以包括:
录入请求信息解析模块,用于在接收到文档录入请求信息的时候,对所述文档录入请求信息进行解析操作,以确定出所述文档录入请求信息对应的待分析录入用户,所述待分析录入用户是指请求进行勘界标准文档录入操作的用户;
用户安全分析模块,用于基于所述待分析录入用户对应的待分析用户动作数据,对所述待分析录入用户进行用户安全分析操作,以输出所述待分析录入用户对应的目标用户安全分析数据,所述待分析用户动作数据属于所述待分析录入用户进行的与勘界标准文档之间具有相关性的网络动作;
勘界标准文档录入模块,用于在所述目标用户安全分析数据反映出所述待分析录入用户属于安全用户的情况下,接收并存储所述待分析录入用户通过目标用户终端设备进行勘界标准文档录入操作发送的待录入勘界标准文档。
综上所述,本发明提供的基于人工智能的勘界标准文档录入方法及系统,可以先对文档录入请求信息进行解析操作,以确定出文档录入请求信息对应的待分析录入用户;基于待分析录入用户对应的待分析用户动作数据,对待分析录入用户进行用户安全分析操作,以输出待分析录入用户对应的目标用户安全分析数据,待分析用户动作数据属于待分析录入用户进行的与勘界标准文档之间具有相关性的网络动作;在目标用户安全分析数据反映出待分析录入用户属于安全用户的情况下,接收并存储待分析录入用户发送的待录入勘界标准文档。基于前述的内容,由于会先基于待分析用户动作数据对待分析录入用户进行用户安全分析操作,且在待分析录入用户属于安全用户的情况下,接收并存储待分析录入用户发送的待录入勘界标准文档(即实现勘界标准文档的录入),因此,可以在一定程度上改善因非安全用户进行勘界标准文档录入而导致安全性问题,也就是说,可以在一定程度上提高勘界标准文档录入的安全性。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的勘界标准文档录入方法,其特征在于,包括:
在接收到文档录入请求信息的时候,对所述文档录入请求信息进行解析操作,以确定出所述文档录入请求信息对应的待分析录入用户,所述待分析录入用户是指请求进行勘界标准文档录入操作的用户;
基于所述待分析录入用户对应的待分析用户动作数据,对所述待分析录入用户进行用户安全分析操作,以输出所述待分析录入用户对应的目标用户安全分析数据,所述待分析用户动作数据属于所述待分析录入用户进行的与勘界标准文档之间具有相关性的网络动作;
在所述目标用户安全分析数据反映出所述待分析录入用户属于安全用户的情况下,接收并存储所述待分析录入用户通过目标用户终端设备进行勘界标准文档录入操作发送的待录入勘界标准文档。
2.如权利要求1所述的基于人工智能的勘界标准文档录入方法,其特征在于,所述基于所述待分析录入用户对应的待分析用户动作数据,对所述待分析录入用户进行用户安全分析操作,以输出所述待分析录入用户对应的目标用户安全分析数据的步骤,包括:
确定出预设时间区间内所述待分析录入用户做出的用户动作数据集合,所述用户动作数据集合包括基于动作形成时间的先后关系进行罗列的用户动作数据组合,所述用户动作数据组合包括所述待分析录入用户的第一类用户动作数据和第二类用户动作数据,所述第一类用户动作数据和所述第二类用户动作数据描述的用户动作属于不同的种类;
从已经确定的多个分类集合中的每一个分类集合中,统计出目标典型用户动作数据子集的数目统计值,所述目标典型用户动作数据子集包含于所述用户动作数据集合中,每一个所述分类集合是按照典型非安全用户对应的一个典型用户动作数据子集为候选用户动作数据子集,将所述典型非安全用户对应的多个典型用户动作数据子集进行分类操作以形成的分类集合,每一个所述典型用户动作数据子集包括所述典型非安全用户对应的典型用户动作数据集合中连续的多个典型用户动作数据,所述典型用户动作数据集合包括基于动作形成时间的先后关系进行罗列的典型用户动作数据组合,所述典型用户动作数据组合包括所述典型非安全用户的典型第一类用户动作数据和典型第二类用户动作数据,所述典型第一类用户动作数据和所述典型第二类用户动作数据描述的用户动作属于不同的种类;
基于所述目标典型用户动作数据子集的数目统计值,分析出所述待分析录入用户的目标用户安全分析数据。
3.如权利要求2所述的基于人工智能的勘界标准文档录入方法,其特征在于,所述基于所述待分析录入用户对应的待分析用户动作数据,对所述待分析录入用户进行用户安全分析操作,以输出所述待分析录入用户对应的目标用户安全分析数据的步骤,还包括:
确定出参考时间区间内所述典型非安全用户做出的典型用户动作数据集合,所述典型用户动作数据集合包括的每一个典型用户动作数据的动作形成时间属于所述参考时间区间内;
对所述典型用户动作数据集合拆分,以形成所述典型用户动作数据集合对应的多个典型用户动作数据子集;
确定出所述多个典型用户动作数据子集中不一样的典型用户动作数据子集的子集分布状态描述数据,以及,基于所述不一样的典型用户动作数据子集的子集分布状态描述数据,形成对应的所述多个分类集合。
4.如权利要求3所述的基于人工智能的勘界标准文档录入方法,其特征在于,所述确定出参考时间区间内所述典型非安全用户做出的典型用户动作数据集合的步骤,包括:
倘若所述典型非安全用户包括多个非安全用户,则确定出所述参考时间区间内所述多个非安全用户中的每一个非安全用户做出的典型用户动作数据形成的典型用户动作数据集合;
并且,所述对所述典型用户动作数据集合拆分,以形成所述典型用户动作数据集合对应的多个典型用户动作数据子集的步骤,包括:
分别对所述多个非安全用户中的每一个非安全用户做出的典型用户动作数据形成的典型用户动作数据集合进行拆分标记,以标记所述典型用户动作数据子集,每一个所述典型用户动作数据子集包括一个所述非安全用户做出的典型用户动作数据形成的典型用户动作数据集合中连续的多个典型用户动作数据。
5.如权利要求3所述的基于人工智能的勘界标准文档录入方法,其特征在于,所述确定出所述多个典型用户动作数据子集中不一样的典型用户动作数据子集的子集分布状态描述数据,以及,基于所述不一样的典型用户动作数据子集的子集分布状态描述数据,形成对应的所述多个分类集合的步骤,包括:
确定出所述多个典型用户动作数据子集中不一样的典型用户动作数据子集的子集分布状态描述数据;
基于所述不一样的典型用户动作数据子集的子集分布状态描述数据,从所述不一样的典型用户动作数据子集中,确定出第一数量个典型用户动作数据子集,所述不一样的典型用户动作数据子集为不一样的第二数量个典型用户动作数据子集,所述第二数量大于所述第一数量;
对所述第二数量个典型用户动作数据子集中的每一个典型用户动作数据子集进行特征空间映射操作,以形成对应的动作数据特征表示,所述第二数量个典型用户动作数据子集映射形成的动作数据特征表示包括第二数量个动作数据特征表示;
将所述第一数量个典型用户动作数据子集中的每一个典型用户动作数据子集作为候选用户动作数据子集,并基于所述第二数量个动作数据特征表示,将所述第二数量个典型用户动作数据子集进行分类操作,以形成第一数量个分类集合。
6.如权利要求5所述的基于人工智能的勘界标准文档录入方法,其特征在于,所述基于所述不一样的典型用户动作数据子集的子集分布状态描述数据,从所述不一样的典型用户动作数据子集中,确定出第一数量个典型用户动作数据子集的步骤,包括:
倘若所述第二数量个典型用户动作数据子集的子集分布状态描述数据反映出所述第二数量个典型用户动作数据子集中的每一个典型用户动作数据子集在所述多个典型用户动作数据子集中的相同子集数量,则从所述第二数量个典型用户动作数据子集中,确定出基于所述相同子集数量从大到小罗列的最前面的第一数量个典型用户动作数据子集;
并且,所述对所述第二数量个典型用户动作数据子集中的每一个典型用户动作数据子集进行特征空间映射操作,以形成对应的动作数据特征表示的步骤,包括:
将所述第二数量个典型用户动作数据子集中的每一个典型用户动作数据子集,进行以下的子步骤,且在进行该子步骤的过程中,每一个典型用户动作数据子集依次或并列的作为待处理的典型用户动作数据子集:
对所述待处理的典型用户动作数据子集中的每一个典型用户动作数据进行特征空间映射操作,以形成对应的动作数据特征表示;
对所述待处理的典型用户动作数据子集中的每一个典型用户动作数据对应的动作数据特征表示进行聚合操作,以形成所述待处理的典型用户动作数据子集对应的特征表示分布阵列,所述特征表示分布阵列包括所述待处理的典型用户动作数据子集中的每一个典型用户动作数据对应的动作数据特征表示。
7.如权利要求6所述的基于人工智能的勘界标准文档录入方法,其特征在于,所述对所述待处理的典型用户动作数据子集中的每一个典型用户动作数据对应的动作数据特征表示进行聚合操作,以形成所述待处理的典型用户动作数据子集对应的特征表示分布阵列的步骤,包括:
分别对所述待处理的典型用户动作数据子集中的每一个典型用户动作数据对应的动作数据特征表示进行相邻特征表示的关联挖掘操作,以输出每一个典型用户动作数据对应的关联挖掘数据特征表示;
对所述待处理的典型用户动作数据子集中的每一个典型用户动作数据对应的关联挖掘数据特征表示基于第一方向或第二方向进行级联组合操作,以形成所述待处理的典型用户动作数据子集对应的特征表示分布阵列,所述第一方向和所述第二方向为所述关联挖掘数据特征表示中特征表示参数的两个不一样的分布方向。
8.如权利要求5所述的基于人工智能的勘界标准文档录入方法,其特征在于,所述将所述第一数量个典型用户动作数据子集中的每一个典型用户动作数据子集作为候选用户动作数据子集,并基于所述第二数量个动作数据特征表示,将所述第二数量个典型用户动作数据子集进行分类操作,以形成第一数量个分类集合的步骤,包括:
针对所述第一数量个典型用户动作数据子集中的每一个典型用户动作数据子集,进行以下的子步骤,且在进行该子步骤的过程中,每一个所述典型用户动作数据子集依次或并列作为待处理的典型用户动作数据子集:
计算出第三数量个典型用户动作数据子集中的每一个典型用户动作数据子集对应的动作数据特征表示和所述待处理的典型用户动作数据子集对应的动作数据特征表示之间的特征表示匹配参数,以形成第三数量个特征表示匹配参数,所述第三数量个典型用户动作数据子集属于所述第二数量个典型用户动作数据子集中所述待处理的典型用户动作数据子集以外的典型用户动作数据子集,所述第二数量和所述第三数量之间的差值等于1;
对所述待处理的典型用户动作数据子集对应的一个分类集合进行标记,以标记为包括在所述第三数量个典型用户动作数据子集中特征表示匹配参数大于或等于预设的参考特征表示匹配参数的典型用户动作数据子集和所述待处理的典型用户动作数据子集。
9.如权利要求2-8任意一项所述的基于人工智能的勘界标准文档录入方法,其特征在于,所述基于所述目标典型用户动作数据子集的数目统计值,分析出所述待分析录入用户的目标用户安全分析数据的步骤,包括:
基于所述目标典型用户动作数据子集的数目统计值,分析出所述用户动作数据集合在所述多个分类集合中的每一个分类集合的集合表征信息;
对所述用户动作数据集合在所述多个分类集合中的每一个分类集合的集合表征信息进行加载,以加载到优化用户安全分析网络中,输出所述待分析录入用户对应的目标用户安全分析数据,所述优化用户安全分析网络是依据示例性集合表征信息簇对初始用户安全分析网络进行网络优化操作形成,所述示例性集合表征信息簇包括多个示例性用户对应的示例性用户动作数据集合在所述多个分类集合中的每一个分类集合的集合表征信息;
并且,所述从已经确定的多个分类集合中的每一个分类集合中,统计出目标典型用户动作数据子集的数目统计值的步骤,包括:
对所述用户动作数据集合进行拆分操作,以形成对应的多个用户动作数据组合,所述多个用户动作数据组合中的每一个用户动作数据组合包括所述用户动作数据集合中连续的多个用户动作数据;
从已经确定的多个分类集合中的每一个分类集合中,统计出所述目标典型用户动作数据子集的数目统计值,所述多个用户动作数据组合包括所述目标典型用户动作数据子集。
10.一种基于人工智能的勘界标准文档录入系统,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310989002.7A CN116738396B (zh) | 2023-08-08 | 2023-08-08 | 基于人工智能的勘界标准文档录入方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310989002.7A CN116738396B (zh) | 2023-08-08 | 2023-08-08 | 基于人工智能的勘界标准文档录入方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116738396A true CN116738396A (zh) | 2023-09-12 |
CN116738396B CN116738396B (zh) | 2023-12-08 |
Family
ID=87915346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310989002.7A Active CN116738396B (zh) | 2023-08-08 | 2023-08-08 | 基于人工智能的勘界标准文档录入方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116738396B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130291122A1 (en) * | 2012-04-27 | 2013-10-31 | Ketankumar Vyas | Document security |
CN108268794A (zh) * | 2016-12-30 | 2018-07-10 | 珠海金山办公软件有限公司 | 一种文档安全管理系统权限记录与查询方法及装置 |
CN111563064A (zh) * | 2020-04-28 | 2020-08-21 | 上海鸿翼软件技术股份有限公司 | 一种文件操作的方法、系统、设备及可读存储介质 |
CN113312320A (zh) * | 2021-05-26 | 2021-08-27 | 上海商甲信息科技有限公司 | 一种获取用户操作数据库行为的方法和系统 |
CN114415911A (zh) * | 2021-12-24 | 2022-04-29 | 珠海大横琴科技发展有限公司 | 一种数据录入的方法和装置 |
CN114611145A (zh) * | 2022-03-14 | 2022-06-10 | 穗保(广州)科技有限公司 | 一种基于互联网在线文档的数据安全共享平台 |
US20220350984A1 (en) * | 2021-04-30 | 2022-11-03 | Docusign, Inc. | Identity verification in a document management system |
CN116401639A (zh) * | 2023-04-12 | 2023-07-07 | 黑龙江众致科技有限公司 | 一种基于大数据的计算机网络安全监管系统及方法 |
-
2023
- 2023-08-08 CN CN202310989002.7A patent/CN116738396B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130291122A1 (en) * | 2012-04-27 | 2013-10-31 | Ketankumar Vyas | Document security |
CN108268794A (zh) * | 2016-12-30 | 2018-07-10 | 珠海金山办公软件有限公司 | 一种文档安全管理系统权限记录与查询方法及装置 |
CN111563064A (zh) * | 2020-04-28 | 2020-08-21 | 上海鸿翼软件技术股份有限公司 | 一种文件操作的方法、系统、设备及可读存储介质 |
US20220350984A1 (en) * | 2021-04-30 | 2022-11-03 | Docusign, Inc. | Identity verification in a document management system |
CN113312320A (zh) * | 2021-05-26 | 2021-08-27 | 上海商甲信息科技有限公司 | 一种获取用户操作数据库行为的方法和系统 |
CN114415911A (zh) * | 2021-12-24 | 2022-04-29 | 珠海大横琴科技发展有限公司 | 一种数据录入的方法和装置 |
CN114611145A (zh) * | 2022-03-14 | 2022-06-10 | 穗保(广州)科技有限公司 | 一种基于互联网在线文档的数据安全共享平台 |
CN116401639A (zh) * | 2023-04-12 | 2023-07-07 | 黑龙江众致科技有限公司 | 一种基于大数据的计算机网络安全监管系统及方法 |
Non-Patent Citations (1)
Title |
---|
张荣;廖逍;: "标准化管理的安全性研究与设计", 信息网络安全, no. 10, pages 92 - 95 * |
Also Published As
Publication number | Publication date |
---|---|
CN116738396B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11526799B2 (en) | Identification and application of hyperparameters for machine learning | |
CN111178380B (zh) | 数据分类方法、装置及电子设备 | |
CN116109121B (zh) | 基于大数据分析的用户需求挖掘方法及系统 | |
CN109325118B (zh) | 不平衡样本数据预处理方法、装置和计算机设备 | |
CN109918498B (zh) | 一种问题入库方法和装置 | |
CN110888911A (zh) | 样本数据处理方法、装置、计算机设备及存储介质 | |
US11120143B2 (en) | Data analysis server, data analysis system, and data analysis method | |
CN116109630B (zh) | 基于传感器采集和人工智能的图像分析方法及系统 | |
CN115687674A (zh) | 服务于智慧云服务平台的大数据需求分析方法及系统 | |
CN111628974A (zh) | 差分隐私保护方法、装置、电子设备和存储介质 | |
CN116738396B (zh) | 基于人工智能的勘界标准文档录入方法及系统 | |
CN116070149A (zh) | 基于人工智能的数据分析方法、系统及云平台 | |
CN112688897A (zh) | 一种流量识别的方法、装置、存储介质及电子设备 | |
CN116702220A (zh) | 基于加密特征分析的数据比对方法及系统 | |
CN115484044A (zh) | 一种数据状态的监控方法及系统 | |
CN113656354A (zh) | 日志分类方法、系统、计算机设备和可读存储介质 | |
CN112381458A (zh) | 项目评审方法、项目评审装置、设备及存储介质 | |
CN116662415B (zh) | 基于数据挖掘的智能匹配方法及系统 | |
CN115761598B (zh) | 一种基于云端业务平台的大数据分析方法及系统 | |
CN115631448B (zh) | 一种音视频质检处理方法及系统 | |
CN117422302A (zh) | 基于风控模型的信息预测方法及系统 | |
CN116662574A (zh) | 用于反欺诈ai预测模型的大数据采集方法及系统 | |
CN116740325B (zh) | 一种基于展馆场景三维效果设计的图像拼接方法及系统 | |
CN116958838B (zh) | 一种基于无人机航测技术的森林资源监测方法及系统 | |
CN115687792B (zh) | 针对在线互联网服务的大数据采集方法及系统 |
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 |