CN117056741A - 数据记录处理方法、装置、设备和介质 - Google Patents

数据记录处理方法、装置、设备和介质 Download PDF

Info

Publication number
CN117056741A
CN117056741A CN202311041628.1A CN202311041628A CN117056741A CN 117056741 A CN117056741 A CN 117056741A CN 202311041628 A CN202311041628 A CN 202311041628A CN 117056741 A CN117056741 A CN 117056741A
Authority
CN
China
Prior art keywords
data record
data
attribute
attributes
similarity
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
CN202311041628.1A
Other languages
English (en)
Inventor
付斌
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.)
China Telecom Technology Innovation Center
China Telecom Corp Ltd
Original Assignee
China Telecom Technology Innovation Center
China Telecom Corp 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 China Telecom Technology Innovation Center, China Telecom Corp Ltd filed Critical China Telecom Technology Innovation Center
Priority to CN202311041628.1A priority Critical patent/CN117056741A/zh
Publication of CN117056741A publication Critical patent/CN117056741A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了一种数据记录处理方法、装置、设备和介质，涉及自然语言处理技术领域。该方法包括：获取待处理的多条数据记录，其中，每条数据记录包括：特征属性的属性值；利用基准数据记录对每条数据记录中各个特征属性的属性值进行标准化处理，得到每条数据记录中各个特征属性的标准属性值；根据每条数据记录中各个特征属性对应的标准属性值以及预先配置的各个特征属性的权重值，计算第一数据记录和第二数据记录的相似度，其中，第一数据记录和第二数据记录为任意两条数据记录；根据第一数据记录和第二数据记录的相似度，确定第一数据记录和第二数据记录是否为同一数据记录。本公开能够提高数据记录相似度判定的准确性。

Description

数据记录处理方法、装置、设备和介质
技术领域
本公开涉及自然语言处理技术领域，尤其涉及一种数据记录处理方法、装置、设备和介质。
背景技术
当前，在系统的建设过程中获取到的数据往往是来源于多个数据源的数据记录，数据关系日益复杂、冗余，占用较多存储空间和运行空间，因此需要在系统建设中将多个来源的数据进行处理，对比出其中重复记录再进行归并。
相关技术中是将这些记录以属性为判断标准依次对应进行比较，若两个记录包含的属性对应的属性值都一一对应，则认为两个记录相同，判定为相同记录进行归并，否则认为两个记录不相同，判定为不同记录，不做归并处理。
相关技术中通过一一比较两个记录对应属性的取值，只有所有属性值全部相同才能判定两个记录相同，但在实际过程中，由于种种因素，可能会出现属性值存在偏差的情况，例如出现同音字、相近字、多字漏字以及误差等情况，此类数据记录实质上是相同记录，而相关技术会将其判定为不同记录；也可能存在一组属性中只要满足部分属性对应的属性值一致即可判定为相同记录的情况，而相关技术难以对此类情况进行处理；此外，不同属性值对记录对比的影响程度可能存在差异，而相关技术难以体现出这种差异性。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种数据记录处理方法、装置、设备和介质，至少在一定程度上克服相关技术中无法准确地数据记录是否相同进行判定的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供了一种数据记录处理方法，包括：获取待处理的多条数据记录，其中，每条数据记录包括：一个或多个特征属性的属性值；利用基准数据记录对每条数据记录中各个特征属性的属性值进行标准化处理，得到每条数据记录中各个特征属性的标准属性值，其中，所述基准数据记录包括：一个或多个特征属性的基准值；根据每条数据记录中各个特征属性对应的标准属性值以及预先配置的各个特征属性的权重值，计算第一数据记录和第二数据记录的相似度，其中，所述第一数据记录和所述第二数据记录为所述多条数据记录中的任意两条数据记录；根据所述第一数据记录和第二数据记录的相似度，确定所述第一数据记录和所述第二数据记录是否为同一数据记录。
在一些实施例中，所述待处理的多条数据记录是来自相同或不同数据源的数据。
在一些实施例中，在利用基准数据记录对每条数据记录中各个特征属性的属性值进行标准化处理，得到每条数据记录中各个特征属性的标准属性值之前，所述方法还包括：根据每条数据记录中各个特征属性的属性值，生成第一矩阵，所述第一矩阵的每个元素代表任一条数据记录中任一个特征属性的属性值。
在一些实施例中，利用基准数据记录对每条数据记录中各个特征属性的属性值进行标准化处理，得到每条数据记录中各个特征属性的标准属性值，包括：利用基准数据记录对第一矩阵中各个特征属性的属性值进行标准化处理，得到第二矩阵，其中，所述第二矩阵的每个元素代表任一条数据记录中任一个特征属性的的标准属性值。
在一些实施例中，通过如下公式对每条数据记录中各个特征属性的属性值进行标准化处理：
prob(aij)＝similarity(aij,bi)
其中，aij表示第i个属性对应的第j个属性值，bi表示基准数据记录中第i个属性对应的基准属性值，i表示属性个数的索引，i＝1,…,n，n表示属性的总数，j表示待处理数据记录条数的索引，j＝1,…,m，m表示待处理数据记录的总数，prob(aij)表示aij对应的标准属性值，similarity(aij,bi)用于计算aij与bi的相似度。
在一些实施例中，根据所述第一数据记录和第二数据记录的相似度，确定所述第一数据记录和所述第二数据记录是否为同一数据记录，包括：计算所述第一数据记录和所述第二数据记录之间的欧氏距离；判断所述欧氏距离是否在预设距离范围内；若是，则所述第一数据记录和所述第二数据记录是同一数据记录；若否，则所述第一数据记录和所述第二数据记录不是同一数据记录。
在一些实施例中，在判断所述欧氏距离是否在预设距离范围内之后，所述方法还包括：若所述第一数据记录和所述第二数据记录为同一数据记录，则将所述第一数据记录与所述第二数据记录合并。
根据本公开的另一个方面，还提供了一种数据记录处理装置，包括：数据记录获取模块，用于获取待处理的多条数据记录，其中，每条数据记录包括：一个或多个特征属性的属性值；标准化处理模块，用于利用基准数据记录对每条数据记录中各个特征属性的属性值进行标准化处理，得到每条数据记录中各个特征属性的标准属性值，其中，所述基准数据记录包括：一个或多个特征属性的基准值；相似度计算模块，用于根据每条数据记录中各个特征属性对应的标准属性值以及预先配置的各个特征属性的权重值，计算第一数据记录和第二数据记录的相似度，其中，所述第一数据记录和所述第二数据记录为所述多条数据记录中的任意两条数据记录；对比结果确定模块，用于根据所述第一数据记录和第二数据记录的相似度，确定所述第一数据记录和所述第二数据记录是否为同一数据记录。
根据本公开的另一个方面，还提供了一种电子设备，该电子设备包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的数据记录处理方法。
根据本公开的另一个方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的数据记录处理方法。
根据本公开的另一个方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述任意一项的数据记录处理方法。
本公开的实施例中提供的数据记录处理方法、装置、设备和介质，利用基准数据对获取到的待处理的多条数据记录中的各个特征属性的属性值进行标准化处理，并将得到的各个特征属性的标准属性值结合预先配置的各个特征属性的权重值，计算任意两条数据记录的相似度，根据得到的相似度判断相似度设计的两条数据记录是否为同一数据记录。本公开实施例通过数据记录相似度的对比，能够识别属性值存在一定偏差的情况，也可以方便处理一部分属性相同即判定为相同记录的问题，提高了数据记录相似度判定的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出本公开实施例中一种数据记录处理方法流程图；
图2示出本公开实施例中一种数据记录标准化处理方法流程图；
图3示出本公开实施例中一种数据记录相似度判定方法流程图；
图4示出本公开实施例中另一种数据记录处理方法流程图；
图5示出本公开实施例中一种数据记录处理装置示意图；
图6示出本公开实施例中一种电子设备的框图；
图7示出本公开实施例中一种计算机可读存储介质示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出本公开实施例中一种数据记录处理方法流程图，如图1所示，该方法包括如下步骤：
S102，获取待处理的多条数据记录，其中，每条数据记录包括：一个或多个特征属性的属性值。
在本公开的一个实施例中，特征属性可以包括但不限于“姓名”“年龄”“性别”等一类代表属性的词，属性值可以是数据记录中上述特征属性对应的值，包括但不限于“小明”“12”“男”等。
S104，利用基准数据记录对每条数据记录中各个特征属性的属性值进行标准化处理，得到每条数据记录中各个特征属性的标准属性值，其中，基准数据记录包括：一个或多个特征属性的基准值。
在本公开的一个实施例中，基准数据记录可以是根据每个属性从待处理的多条数据记录中选择的一个适当的属性值作为某个属性对应的基准值，将选择出来的各个基准值的集合记作基准数据记录，用于对待处理的数据记录进行标准化处理，可通过将待处理的多条数据记录根据各个属性转化为矩阵后，从矩阵中选择一条数据作为基准数据记录，也可以针对每个属性从该属性对应的多个属性值中选择一个适当的属性值作为基准属性值，再由多个基准属性值构成基准数据记录，需要说明的是，本公开实施例并不局限于构建矩阵再选择基准数据记录的方法，还可选取其他任意可达到相同效果的基准选择方法，本公开实施例对基准数据记录的选取方法不做具体限定。
在本公开的一个实施例中，标准属性值为根据基准数据记录对各个特征属性的属性值进行标准化处理后的得到的，可通过训练模型或公式计算得到，本公开实施例对此不做具体限定。
S106，根据每条数据记录中各个特征属性对应的标准属性值以及预先配置的各个特征属性的权重值，计算第一数据记录和第二数据记录的相似度，其中，第一数据记录和第二数据记录为多条数据记录中的任意两条数据记录。
在本公开的一个实施例中，预先配置的各个特征属性的权重值是根据各个特征属性在数据记录对比中的影响大小设定的。
S108，根据第一数据记录和第二数据记录的相似度，确定第一数据记录和第二数据记录是否为同一数据记录。
由上述可知，本公开实施例利用基准数据对获取到的待处理的多条数据记录中的各个特征属性的属性值进行标准化处理，并将得到的各个特征属性的标准属性值结合预先配置的各个特征属性的权重值，计算任意两条数据记录的相似度，根据得到的相似度判断相似度设计的两条数据记录是否为同一数据记录。本公开实施例通过数据记录相似度的对比，能够识别属性值存在一定偏差的情况，也可以方便处理一部分属性相同即判定为相同记录的问题，提高了数据记录相似度判定的准确性。
在本公开的一个实施例中，待处理的多条数据记录是来自相同或不同数据源的数据。
在本公开的一个实施例中，在上述S104之前，方法还包括：根据每条数据记录中各个特征属性的属性值，生成第一矩阵，第一矩阵的每个元素代表任一条数据记录中任一个特征属性的属性值。
第一矩阵可根据预设特征属性集合和待处理的数据记录进行转换得到的，第一矩阵中的每个元素表示任一条数据记录中任一个特征属性的属性值。
在本公开的一个实施例中，上述S104包括：利用基准数据记录对第一矩阵中各个特征属性的属性值进行标准化处理，得到第二矩阵，其中，第二矩阵的每个元素代表任一条数据记录中任一个特征属性的的标准属性值。
基准数据记录可以是从上述第一矩阵中针对每个属性获取的任意一个属性值，第二矩阵可以是根据基准数据记录对第一矩阵进行标准化处理后得到的矩阵，第二矩阵中的每个元素表示任一条数据记录中任一个特征属性的属性值与基准数据记录中基准属性值的相似度，即标准属性值。
在本公开的一个实施例中，通过如下公式对每条数据记录中各个特征属性的属性值进行标准化处理：
prob(aij)＝similarity(aij,bi) (1)
其中，aij表示第i个属性对应的第j个属性值，bi表示基准数据记录中第i个属性对应的基准属性值，i表示属性个数的索引，i＝1,…,n，n表示属性的总数，j表示待处理数据记录条数的索引，j＝1,…,m，m表示待处理数据记录的总数，prob(aij)表示aij对应的标准属性值，similarity(aij,bi)用于计算aij与bi的相似度。
在本公开的一个实施例中，上述S108包括：计算第一数据记录和第二数据记录之间的欧氏距离；判断欧氏距离是否在预设距离范围内；若是，则第一数据记录和第二数据记录是同一数据记录；若否，则第一数据记录和第二数据记录不是同一数据记录。
预设距离范围可根据实际需求进行设定，本公开实施例对预设距离范围的大小不做具体限定。
在本公开的一个实施例中，在判断欧氏距离是否在预设距离范围内之后，方法还包括：若第一数据记录和第二数据记录为同一数据记录，则将第一数据记录与第二数据记录合并。
图2示出本公开实施例中一种数据记录标准化处理方法流程图，如图2所示，该方法包括如下步骤：
S202，根据预先设定的特征属性集合将待处理的数据记录转换为属性值矩阵(即上述第一矩阵)。
S204，从属性值矩阵中获取一组基准属性值。
S206，根据获取到的基准属性值将转换得到的属性值矩阵进行标准化处理，得到标准属性值矩阵(即上述第二矩阵)。
在本公开的一个实施例中，可预先设定一组属性集合作为数据记录对比的特征属性集合。由于待处理的数据记录来源于多个数据源，它们在不同的数据源中的属性集合可能存在差异，包括但不限于字段、名称以及数量，存有可能存在不同，因此预先设定的特征属性集合同样为待处理的数据记录均具备的一组属性集合。
预先设定的特征属性集合可以是由人工指定的，也可以是从不同数据源的元数据的描述中按一定的规则指定的，通常选择对于数据记录对比和处理有意义的属性，例如，仅仅记录注释类信息的属性“备注”往往不被选择，本公开实施例对特征属性集合的设定方法不做具体限定。特征属性集合具体可通过如下公式表示：
其中，表示特征属性集合，A1,A2,...,Ai,...An表示各个特征属性。
根据预设的特征属性集合将待处理的数据记录转化为属性值矩阵，属性值矩阵具体可通过如下公式表示：
其中，A表示属性值矩阵，元素aij表示第i个属性对应的第j个属性值，i表示属性个数的索引，i＝1,…,n，n表示属性的总数，j表示待处理数据记录条数的索引，j＝1,…,m，m表示待处理数据记录的总数。
从属性值矩阵A中，针对每个属性选择一个适当的属性值作为基准属性值，可以任意选择一个现有记录最为基准数据记录，也可以认为设定一条数据记录作为基准数据记录，还可以对多条数据记录进行处理后得到一个基准数据记录，需要说明的是，本公开实施例对基准数据记录的选取方法不做具体限定。基准数据记录具体可通过如下公式表示：
其中，表示基准数据记录，bi表示第i个属性对应的基准属性值，i＝1,…,n，n表示属性的总数。
针对特征属性集合中的每个属性，选择现有的语料进行训练，可采用已有的开源语料库，结合连续词袋模型CBOW模型进行训练，并设置适当的参数值，例如，window设为5，size设为300，需要说明的是，CBOW模型是用于实现词向量Word2Vec模型化方法的一种实现方式，只要达到相同的效果，也可采用其他模型进行训练，并根据实际情况调整参数取值，本公开实施例对于被训练的模型和参数取值不做具体限定。
通过训练好的词向量模型将上述待处理的数据记录中的各个特征属性的属性值与基准数据记录中对应属性的标准属性值通过上述公式(1)进行相似度计算的标准化处理，记作标准属性值，得到的标准属性值矩阵具体可通过如下公式表示：
其中，aij表示第i个属性对应的第j个属性值，A表示属性值矩阵，prob(A)表示标准属性值矩阵，prob(aij)表示aij对应的标准属性值，i表示属性个数的索引，i＝1,…,n，n表示属性的总数，j表示待处理数据记录条数的索引，j＝1,…,m，m表示待处理数据记录的总数。
图3示出本公开实施例中一种数据记录相似度判定方法流程图，如图3所示，该方法包括如下步骤：
S302，计算标准属性矩阵和预设权重集合的哈达玛积。
S304，根据计算后得到的待对比的两条数据记录的哈达玛积，计算待对比的两条数据记录的欧氏距离。
S306，判断计算得到的欧氏距离是否在预设距离范围内。若是，则执行S308；若否，则执行S310。
S308，判定待对比的两条数据记录相同。
S310，判定待对比的两条数据记录不同。
需要说明的是，上述S308和S310可同步或异步地执行，本公开实施例上述S308和S310的执行顺序不做具体限定。
在本公开的一个实施例中，在上述S308之后，还可以将被判定为相同的两条数据记录进行合并，以减少对存储空间或运行空间的占用。
在本公开的一个实施例中，根据预设的特征属性集合中的各个属性对业务情况的影响大小来判断和设定权重值，例如，在对人员信息的处理时，身份证号、证件号、性别等特征属性的影响较大，因此设定的权重值较大；部门、职务、工位号等影响较小，因此设定的权重值较小。权重集合具体可通过如下公式表示：
其中，表示权重集合，wi表示第i个属性对应的权重值，i表示属性个数的索引，i＝1,…,n，n表示属性的总数。
计算标准属性值矩阵与权重集合的哈达玛积，得到相似度矩阵，相似度矩阵中的每个元素表示每个数据记录中各个属性对应的标准属性值与该属性对应的权重值的哈达玛积，即经过权重值校准后的相似度。相似度矩阵具体可通过如下公式表示：
其中，aij表示第i个属性对应的第j个属性值，A表示属性值矩阵，prob(A)表示标准属性值矩阵，prob(aij)表示aij对应的标准属性值，表示权重集合，wi表示第i个属性对应的权重值，prob(aij)·wi表示aij对应的标准属性值与wi的哈达玛积，i＝1,…,n，n表示属性的总数，j表示待处理数据记录条数的索引，j＝1,…,m，m表示待处理数据记录的总数。
从待处理的数据记录中任选两条数据记录进行对比，例如，取数据记录x与数据记录y进行对比，计算数据记录x与数据记录y的欧氏距离，具体可通过如下公式表示：
其中，d(x,y)表示数据记录x与数据记录y的欧氏距离，aix表示第i个属性对应的第x个属性值，aiy表示第i个属性对应的第y个属性值，prob(aix)表示aix对应的相似度，prob(aiy)表示aix对应的相似度，wi表示第i个属性对应的权重值，i＝1,…,n，n表示属性的总数，j表示待处理数据记录条数的索引，j＝1,…,m，x＝1,…,m，y＝1,…,m，x与y表示任意两条待处理的数据记录，m表示待处理数据记录的总数。
判断计算得到的数据记录x与数据记录y的欧氏距离是否在预设距离范围内，若是，则判定数据记录x与数据记录y为同一数据记录；若否，则判定数据记录x与数据记录y为不同数据记录。在本公开的一个实施例中，需要根据实际情况设定预设距离范围，例如，在设定距离空间时，设定距离空间为(0，100)时和(0，1)时设定效果不同，一点距离空间确定，根据经验值选择一个合适数值，该数值可根据判断结果以及长期使用的积累而不断优化。需要说明的是，本公开实施例对预设距离的范围不做具体限定。
图4示出本公开实施例中另一种数据记录处理方法流程图，如图4所示，该方法包括如下步骤：
S401，预先设定一组属性集合。
S402，根据预先确定的属性集合，将待处理的多条数据记录转化为属性值矩阵。
S403，从转化后得到的属性值矩阵中选择一组基准属性值。
S404，根据基准属性值对属性值矩阵进行标准化处理，得到标准属性值矩阵。
S405，根据属性集合中各个属性在数据记录对比中的影响大小设定权重向量。
S406，计算标准属性值矩阵与设定好的权重向量的哈达玛积。
S407，选取待处理的数据记录中任意两条数据记录作为待对比的数据记录，根据待对比的数据记录的哈达玛积，计算待对比的数据记录的欧氏距离。
S408，判断计算得到的欧氏距离是否在预设距离范围内。
S409，判定待对比的两条数据记录相同。
S410，判定待对比的两条数据记录不同。
S411，将两条被判定为相同的数据记录进行合并。
需要说明的是，上述S405可在上述S401之后与上述S406之前的任意位置执行，本公开实施例对上述S405执行的位置不做具体限定；上述S409和S410可同步或异步地执行，本公开实施例上述S409和S410的执行顺序不做具体限定；上述S411可根据实际需要执行，本公开实施例并不强制执行S411。
例如，获取数据源X和数据源Y的人员信息，数据源X的人员信息包括以下属性：姓名，性别，OA ID，年龄，手机号，电话号码，邮箱，工位，住址等；数据源Y的人员信息包括以下属性：姓名，性别，账号，密码，年龄，手机号，邮箱，工位，住址等。选取两个数据源共同具备的属性(姓名，性别，年龄，手机号，电话号码，邮箱，工位，住址)加入公共特征属性集合中。
数据源X的记录可如表1所示：
表1
数据源Y的记录可如表2所示：
表2
此时，选择数据源X的第一条数据记录作为基准数据记录，利用训练好的词向量模型进行处理，得到相似度矩阵，即标准属性值矩阵，具体可通过如下公式表示：
根据影响程度的大小，为上述选定的公共特征属性集合中每个属性设定对应的权重值，根据设定的权重值对上述标准属性值矩阵进行校准，得到相似度矩阵，依次计算待处理的数据记录中任意两条数据记录之间的欧氏距离，判断计算得到的欧氏距离是否在预设距离范围内。例如，数据源X中的第一条数据(X1)与数据源Y中的第一条数据(Y1)，计算得到X1与Y1之间的欧氏距离在预设距离范围内，则判定X1与Y1属于同一数据记录，可根据需要进行数据合并。
基于同一发明构思，本公开实施例中还提供了一种数据记录处理装置，如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似，因此该装置实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。
图5示出本公开实施例中一种数据记录处理装置示意图，如图5所示，该装置50包括：数据记录获取模块501、标准化处理模块502、相似度计算模块503以及对比结果确定模块504；
其中，数据记录获取模块501，用于获取待处理的多条数据记录，其中，每条数据记录包括：一个或多个特征属性的属性值；标准化处理模块502，用于利用基准数据记录对每条数据记录中各个特征属性的属性值进行标准化处理，得到每条数据记录中各个特征属性的标准属性值，其中，基准数据记录包括：一个或多个特征属性的基准值；相似度计算模块503，用于根据每条数据记录中各个特征属性对应的标准属性值以及预先配置的各个特征属性的权重值，计算第一数据记录和第二数据记录的相似度，其中，第一数据记录和第二数据记录为多条数据记录中的任意两条数据记录；对比结果确定模块504，用于根据第一数据记录和第二数据记录的相似度，确定第一数据记录和第二数据记录是否为同一数据记录。
由上述可知，本公开实施例利用基准数据对获取到的待处理的多条数据记录中的各个特征属性的属性值进行标准化处理，并将得到的各个特征属性的标准属性值结合预先配置的各个特征属性的权重值，计算任意两条数据记录的相似度，根据得到的相似度判断相似度设计的两条数据记录是否为同一数据记录。本公开实施例通过数据记录相似度的对比，能够识别属性值存在一定偏差的情况，也可以方便处理一部分属性相同即判定为相同记录的问题，提高了数据记录相似度判定的准确性。
在本公开的一个实施例中，待处理的多条数据记录是来自相同或不同数据源的数据。
在本公开的一个实施例中，上述标准化处理模块502还可用于根据每条数据记录中各个特征属性的属性值，生成第一矩阵，第一矩阵的每个元素代表任一条数据记录中任一个特征属性的属性值。
在本公开的一个实施例中，上述标准化处理模块502还可用于利用基准数据记录对第一矩阵中各个特征属性的属性值进行标准化处理，得到第二矩阵，其中，第二矩阵的每个元素代表任一条数据记录中任一个特征属性的的标准属性值。
在本公开的一个实施例中，上述标准化处理模块502还可通过上述公式(1)对每条数据记录中各个特征属性的属性值进行标准化处理。
在本公开的一个实施例中，上述对比结果确定模块504还可用于计算第一数据记录和第二数据记录之间的欧氏距离；判断欧氏距离是否在预设距离范围内；若是，则第一数据记录和第二数据记录是同一数据记录；若否，则第一数据记录和第二数据记录不是同一数据记录。
在本公开的一个实施例中，上述对比结果确定模块504还可用于若第一数据记录和第二数据记录为同一数据记录，则将第一数据记录与第二数据记录合并。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
图6示出本公开实施例中一种电子设备的框图。下面参照图6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元610可以执行上述方法实施例的如下步骤：获取待处理的多条数据记录，其中，每条数据记录包括：一个或多个特征属性的属性值；利用基准数据记录对每条数据记录中各个特征属性的属性值进行标准化处理，得到每条数据记录中各个特征属性的标准属性值，其中，基准数据记录包括：一个或多个特征属性的基准值；根据每条数据记录中各个特征属性对应的标准属性值以及预先配置的各个特征属性的权重值，计算第一数据记录和第二数据记录的相似度，其中，第一数据记录和第二数据记录为多条数据记录中的任意两条数据记录；根据第一数据记录和第二数据记录的相似度，确定第一数据记录和第二数据记录是否为同一数据记录。
存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备640(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
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程序产品，该计算机程序产品包括：计算机程序，所述计算机程序被处理器执行时实现上述数据记录处理方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质可以是可读信号介质或者可读存储介质。图7示出本公开实施例中一种计算机可读存储介质示意图，如图7所示，该计算机可读存储介质上存储有能够实现本公开上述方法的程序产品700。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
本公开中的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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。
可选地，计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
在具体实施时，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种数据记录处理方法，其特征在于，包括：
获取待处理的多条数据记录，其中，每条数据记录包括：一个或多个特征属性的属性值；
利用基准数据记录对每条数据记录中各个特征属性的属性值进行标准化处理，得到每条数据记录中各个特征属性的标准属性值，其中，所述基准数据记录包括：一个或多个特征属性的基准值；
根据每条数据记录中各个特征属性对应的标准属性值以及预先配置的各个特征属性的权重值，计算第一数据记录和第二数据记录的相似度，其中，所述第一数据记录和所述第二数据记录为所述多条数据记录中的任意两条数据记录；
根据所述第一数据记录和第二数据记录的相似度，确定所述第一数据记录和所述第二数据记录是否为同一数据记录。
2.根据权利要求1所述的数据记录处理方法，其特征在于，所述待处理的多条数据记录为来自相同或不同数据源的数据。
3.根据权利要求1所述的数据记录处理方法，其特征在于，在利用基准数据记录对每条数据记录中各个特征属性的属性值进行标准化处理，得到每条数据记录中各个特征属性的标准属性值之前，所述方法还包括：
根据每条数据记录中各个特征属性的属性值，生成第一矩阵，所述第一矩阵的每个元素代表任一条数据记录中任一个特征属性的属性值。
4.根据权利要求3所述的数据记录处理方法，其特征在于，利用基准数据记录对每条数据记录中各个特征属性的属性值进行标准化处理，得到每条数据记录中各个特征属性的标准属性值，包括：
利用基准数据记录对第一矩阵中各个特征属性的属性值进行标准化处理，得到第二矩阵，其中，所述第二矩阵的每个元素代表任一条数据记录中任一个特征属性的标准属性值。
5.根据权利要求4所述的数据记录处理方法，其特征在于，通过如下公式对每条数据记录中各个特征属性的属性值进行标准化处理：
prob(aij)＝similarity(aij,bi)
其中，aij表示第i个属性对应的第j个属性值，bi表示基准数据记录中第i个属性对应的基准属性值，i表示属性个数的索引，i＝1,…,n，n表示属性的总数，j表示待处理数据记录条数的索引，j＝1,…,m，m表示待处理数据记录的总数，prob(aij)表示aij对应的标准属性值，similarity(aij,bi)用于计算aij与bi的相似度。
6.根据权利要求1所述的数据记录处理方法，其特征在于，根据所述第一数据记录和第二数据记录的相似度，确定所述第一数据记录和所述第二数据记录是否为同一数据记录，包括：
计算所述第一数据记录和所述第二数据记录之间的欧氏距离；
判断所述欧氏距离是否在预设距离范围内；
若是，则所述第一数据记录和所述第二数据记录是同一数据记录；
若否，则所述第一数据记录和所述第二数据记录不是同一数据记录。
7.根据权利要求6所述的数据记录处理方法，其特征在于，在判断所述欧氏距离是否在预设距离范围内之后，所述方法还包括：
若所述第一数据记录和所述第二数据记录为同一数据记录，则将所述第一数据记录与所述第二数据记录合并。
8.一种数据记录处理装置，其特征在于，包括：
数据记录获取模块，用于获取待处理的多条数据记录，其中，每条数据记录包括：一个或多个特征属性的属性值；
标准化处理模块，用于利用基准数据记录对每条数据记录中各个特征属性的属性值进行标准化处理，得到每条数据记录中各个特征属性的标准属性值，其中，所述基准数据记录包括：一个或多个特征属性的基准值；
相似度计算模块，用于根据每条数据记录中各个特征属性对应的标准属性值以及预先配置的各个特征属性的权重值，计算第一数据记录和第二数据记录的相似度，其中，所述第一数据记录和所述第二数据记录为所述多条数据记录中的任意两条数据记录；
对比结果确定模块，用于根据所述第一数据记录和第二数据记录的相似度，确定所述第一数据记录和所述第二数据记录是否为同一数据记录。
9.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～7中任意一项所述的数据记录处理方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～7中任意一项所述的数据记录处理方法。
CN202311041628.1A 2023-08-17 2023-08-17 数据记录处理方法、装置、设备和介质 Pending CN117056741A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311041628.1A CN117056741A (zh) 2023-08-17 2023-08-17 数据记录处理方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311041628.1A CN117056741A (zh) 2023-08-17 2023-08-17 数据记录处理方法、装置、设备和介质

Publications (1)

Publication Number Publication Date
CN117056741A true CN117056741A (zh) 2023-11-14

Family

ID=88668871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311041628.1A Pending CN117056741A (zh) 2023-08-17 2023-08-17 数据记录处理方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN117056741A (zh)

Similar Documents

Publication Publication Date Title
US11238099B2 (en) Method and device for obtaining answer, and computer device
CN110415679B (zh) 语音纠错方法、装置、设备和存储介质
CN109582906B (zh) 数据可靠度的确定方法、装置、设备和存储介质
CN113326991B (zh) 自动授权方法、装置、计算机设备及存储介质
CN109408834B (zh) 辅助机器翻译方法、装置、设备及存储介质
CN110647523B (zh) 数据质量的分析方法及装置、存储介质、电子设备
CN110941951A (zh) 文本相似度计算方法、装置、介质及电子设备
WO2021196935A1 (zh) 数据校验方法、装置、电子设备和存储介质
CN109597881B (zh) 匹配度确定方法、装置、设备和介质
CN112836521A (zh) 问答匹配方法、装置、计算机设备及存储介质
CN112181835A (zh) 自动化测试方法、装置、计算机设备及存储介质
CN111143556A (zh) 软件功能点自动计数方法、装置、介质及电子设备
CN110674633A (zh) 文书评审的校对方法及装置、存储介质、电子设备
CN114385694A (zh) 一种数据加工处理方法、装置、计算机设备及存储介质
CN113792138A (zh) 报表生成方法、装置、电子设备及存储介质
CN110929499B (zh) 文本相似度获取方法、装置、介质及电子设备
CN112507075A (zh) 一种病例数据搜索方法、系统、设备及存储介质
CN109684207B (zh) 操作序列封装的方法、装置、电子设备及存储介质
CN108920715B (zh) 客服的智能化辅助方法、装置、服务器和存储介质
CN117056741A (zh) 数据记录处理方法、装置、设备和介质
CN110442714B (zh) Poi名称规范性评估方法、装置、设备和存储介质
CN110083807B (zh) 合同的修改影响自动预测方法、装置、介质及电子设备
CN110795424B (zh) 特征工程变量数据请求处理方法、装置及电子设备
CN110471708B (zh) 基于可重用组件的配置项获取的方法及装置
CN111552779A (zh) 人机对话方法、装置、介质及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination