CN117132242B - 一种电子印章身份权限安全管理方法 - Google Patents

Abstract

本发明涉及用于数据安全保护的技术领域，具体涉及一种电子印章身份权限安全管理方法，包括：采集申请用户的信息数据；根据信息数据得到总体历史数据集合以及历史数据集合；根据总体历史数据集合与历史数据集合得到分类权重值；根据分类权重值得到第一维度数据类别；根据第一维度数据类别得到若干类别；根据分类权重值以及类别得到数据离散程度；根据第一维度数据类别、数据离散程度以及类别得到用户关联性以及共有特征程度；根据数据离散程度、用户关联性以及共有特征程度得到相似性用户群体；根据相似性用户群体实时进行电子印章身份权限的安全管理。本发明降低了数据随机性对分类结果的干扰，提高了电子印章身份权限的安全性。

Description

一种电子印章身份权限安全管理方法

技术领域

本发明涉及用于数据安全保护的技术领域，具体涉及一种电子印章身份权限安全管理方法。

背景技术

随着数字化进程的快速推进，电子印章已经广泛应用于各种在线事务和电子文档中，用来证明电子文件的真实性与有效性；由于含有电子印章的电子文件具有法律效力，为了保证电子印章的合理使用，所以需要对电子印章的身份权限进行管理。

在传统的权限管理系统中，通常依赖手动设置和固定规则来确定哪些用户可以使用电子印章；而在处理大规模用户的复杂业务需求时，系统会通过用户的历史数据与当前数据之间的差异程度来决定是否对用户授予电子印章的身份权限，但由于当前数据具体随机性的特点，会使用户的历史数据与当前数据之间的差异程度发生变化，从而存在身份权限授予不合适的用户的情况，使含有电子印章的电子文件存在安全隐患。

发明内容

本发明提供一种电子印章身份权限安全管理方法，以解决现有的问题：由于当前数据具体随机性的特点，会使用户的历史数据与当前数据之间的差异程度发生变化，从而存在身份权限授予不合适的用户的情况，使含有电子印章的电子文件存在安全隐患。

本发明的一种电子印章身份权限安全管理方法采用如下技术方案：

包括以下步骤：

采集若干申请用户的若干信息数据，所述信息数据包含多种维度数据类别，每种维度数据类别包含多个数据；

根据信息数据得到总体历史数据集合以及每个申请用户的历史数据集合；根据总体历史数据集合与历史数据集合得到每种维度数据类别的分类权重值；

根据分类权重值得到若干种第一维度数据类别；根据第一维度数据以及历史数据集合得到每种第一维度数据类别在每个申请用户的历史数据集合内的若干类别；根据分类权重值以及类别得到每个申请用户的历史数据集合的数据离散程度；

将聚类过程中每次迭代过程记为目标迭代过程，获取目标迭代过程下的若干聚类簇，将目标迭代过程下每个聚类簇记为目标聚类簇，将位于目标聚类簇的聚类中心的数据所属的申请用户记为参考申请用户，将目标聚类簇中除参考申请用户以外的任意一个申请用户记为目标用户，根据第一维度数据以及类别得到每个目标用户与参考申请用户的用户关联性；根据数据离散程度得到每个目标用户与参考申请用户的共有特征程度；根据数据离散程度、用户关联性以及共有特征程度得到相似性用户群体；

根据相似性用户群体实时进行电子印章身份权限的安全管理。

优选的，所述根据信息数据得到总体历史数据集合以及每个申请用户的历史数据集合，包括的具体方法为：

在所有信息数据中，将申请时间与当前采集时间差值的绝对值最小的信息数据记为总体最新信息数据，将除总体最新信息数据以外的每个信息数据记为总体历史信息数据，将所有总体历史信息数据构成的集合记为总体历史数据集合；

对于任意一个申请用户，在申请用户的所有信息数据中，将申请时间与当前采集时间差值的绝对值最小的信息数据记为申请用户的最新信息数据，将除最新信息数据以外的每个信息数据记为申请用户的历史信息数据，将申请用户的所有历史信息数据构成的集合记为申请用户的历史数据集合。

优选的，所述根据总体历史数据集合与历史数据集合得到每种维度数据类别的分类权重值，包括的具体方法为：

对于总体历史数据集合内任意一种维度数据类别，对维度数据出现的所有数据进行Jieba分词处理，得到维度数据的所有分词以及对应的词性；将维度数据的所有分词输入word2Vec模型得到每个分词的向量，记为词向量；获取总体历史数据集合内每种维度数据类别中所有分词的词向量，所述每个数据包含多个分词，每个分词对应一个词向量；

对于任意一个申请用户的历史数据集合内任意两种维度数据类别，将任意一种维度数据类别记为目标维度数据，将目标维度数据内每个分词的词向量记为目标词向量；将另一种维度数据类别记为参考维度数据，将参考维度数据内每个分词的词向量记为参考词向量；将任意一个目标词向量与任意一个词向量的余弦相似度记为目标维度数据与参考维度数据的一个向量相似度；获取申请用户的历史数据集合内任意两种维度数据类别的所有向量相似度；

将总体历史数据集合内任意一种维度数据类别记为第一对照维度数据类别，将总体历史数据集合内除第一对照维度数据以外的每种维度数据类别记为对照维度数据；

式中，表示第一对照维度数据类别的初始分类权重值；/>表示在总体历史数据集合内包含申请人员的数量；/>表示在总体历史数据集合内，对照维度数据类别的数量；/>表示在总体历史数据集合内，第/>种对照维度数据类别包含的词向量的数量；/>表示在总体历史数据集合内，第一对照维度数据类别包含的词向量的数量；/>表示在第/>个申请用户的历史数据集合内，第/>种对照维度数据类别与第/>种对照维度数据类别的所有向量相似度中，最大的向量相似度的绝对值；获取总体历史数据集合内所有维度数据类别的初始分类权重值，将所有维度数据类别的初始分类权重值进行线性归一化，将归一化后的每种维度数据类别的初始权重值记为分类权重值。

优选的，所述根据分类权重值得到若干种第一维度数据类别，包括的具体方法为：

将预设的分类权重值阈值记为T1，对于总体历史数据集合内任意一种维度数据类别，若维度数据的分类权重值大于T1，将维度数据记为第一维度数据。

优选的，所述根据第一维度数据类别以及历史数据集合得到每种第一维度数据类别在每个申请用户的历史数据集合内的若干类别，包括的具体方法为：

对于任意一种第一维度数据类别在任意一个申请用户的历史数据集合内，任意出现两次的两个数据；在这两个数据中，将任意一个数据中每个分词的词向量记为第二目标词向量，将另一个数据中每个分词的词向量记为第二参考词向量；将任意一个第二目标词向量与任意一个第二参考词向量的余弦相似度记为这两个数据的一个初始相似度；将这两个数据的所有初始相似度的均值记为这两个数据之间的相似度；获取第一维度数据在该申请用户的历史数据集合内，所有数据之间的相似度；

根据相似度对第一维度数据在申请用户的历史数据集合中的所有数据进行Single-Pass聚类，得到若干聚类簇，记为第一维度数据在申请用户的历史数据集合内的类别；获取每种第一维度数据类别在每个申请用户的历史数据集合内的若干类别；

根据每种第一维度数据类别在每个申请用户的历史数据集合内的类别的获取方式，在总体历史数据集合中，获取每种第一维度数据类别在总体历史数据集合内的若干类别。

优选的，所述根据分类权重值以及类别得到每个申请用户的历史数据集合的数据离散程度，包括的具体方法为：

对于任意一个申请用户，式中，表示申请用户的历史数据集合的初始数据离散程度；/>表示第一维度数据类别的数量；/>表示第/>种第一维度数据类别的分类权重值；/>表示第/>种第一维度数据类别在该申请用户的历史数据集合内的类别的数量；/>表示第/>种第一维度数据类别总体历史数据集合内的类别的数量；获取所有申请用户的历史数据集合的初始数据离散程度，对所有申请用户的历史数据集合的初始数据离散程度进行线性归一化，将归一化后的每个初始数据离散程度记为数据离散程度。

优选的，所述根据第一维度数据类别得到每个目标用户与参考申请用户的用户关联性，包括的具体方法为：

对于任意一个目标用户，式中，表示目标用户与参考申请用户的用户关联性；/>表示第一维度数据类别的数量；/>表示第/>种第一维度数据类别在参考申请用户的历史数据集合内类别的数量；/>表示第/>种第一维度数据类别在参考申请用户的历史数据集合内，第/>个类别中包含数据的数量；/>表示第/>种第一维度数据类别在参考申请用户的历史数据集合内，所有类别包含数据的数量；/>表示第/>种第一维度数据类别在参考申请用户的历史数据集合内，所有数据之间的相似度的均值。

优选的，所述根据数据离散程度得到每个目标用户与参考申请用户的共有特征程度，包括的具体方法为：

将预设的四个特征值分别记为T3、T4、T5、T6；对于任意一个目标用户以及任意一种第一维度数据类别，在目标用户与参考申请用户的历史数据集合内的第一维度数据中，将所有词性为名词的词向量的特征值预设为T3，将所有词性为动词的词向量的特征值预设为T4，将所有词性为副词的词向量的特征值预设为T5，将其余词性的词向量的特征值预设为T6；在目标用户与参考申请用户的历史数据集合内的第一维度数据中，将所有词性的词向量数量中最多的词向量数量作为向量矩阵的行数，将所有词向量的词性种类数量作为向量矩阵的列数，对所有词性的所有词向量构建向量矩阵，向量矩阵的列表示词向量的词性种类，向量矩阵的行表示每种词性的词向量，获取向量矩阵的所有特征向量；获取所有特征向量的L2范数，对所有特征向量的L2范数进行线性归一化，将归一化后的L2范数记为第一维度数据下目标用户与参考申请用户的共有特征值；获取每种第一维度数据类别下目标用户与参考申请用户的共有特征值；

式中，表示目标用户与参考申请用户的共有特征程度；/>表示目标用户的历史数据集合的数据离散程度；/>表示该参考申请用户的历史数据集合的数据离散程度；/>表示第一维度数据类别的数量；/>表示第/>种第一维度数据类别下目标用户与该参考申请用户的共有特征值。

优选的，所述根据数据离散程度、用户关联性以及共有特征程度得到相似性用户群体，包括的具体方法为：

对于任意一次迭代过程，式中，表示迭代过程下的自适应目标函数值；/>表示在总体历史数据集合内包含申请人员的数量；/>表示迭代过程下聚类簇的数量；/>表示第/>个申请人员与第/>个聚类簇的权重；/>表示第/>个申请人员的历史数据集合的数据离散程度；/>表示第/>个申请人员与第/>个聚类簇的参考申请用户的用户关联性；/>表示第/>个申请人员与第/>个聚类簇的参考申请用户的共有特征程度；

获取每次迭代过程下的自适应目标函数值；根据每次迭代过程下的自适应目标函数值进行K-means聚类，得到若干聚类簇；将总体最新信息数据对应的申请用户记为最终目标用户，将最终目标用户所属的聚类簇记为最终目标用户的相似性用户群体。

优选的，所述根据相似性用户群体实时进行电子印章身份权限的安全管理，包括的具体方法为：

在最终目标用户的相似性用户群体中，将最终目标用户的任意两个维度数据之间的所有向量相似度的均值记为最终目标用户的最终相似度，获取最终目标用户的所有最终相似度，将所有最终相似度进行线性归一化，将归一化后的每个最终相似度记为第二最终相似度；

将预设的第二最终相似度阈值记为T7；若不存在第二最终相似度小于或等于T7，对最终目标用户授予使用电子印章的身份权限；若存在任意一个第二最终相似度小于或等于T7，不对最终目标用户授予使用电子印章的身份权限。

本发明的技术方案的有益效果是：采集信息数据得到总体历史数据集合以及历史数据集合，根据总体历史数据集合以及历史数据集合得到分类权重值，根据分类权重值得到第一维度数据类别，根据分类权重值得到数据离散程度，根据第一维度数据类别以及数据离散程度得到用户关联性以及共有特征程度，根据数据离散程度、用户关联性以及共有特征程度进行电子印章身份权限的安全管理；相较于现有技术无法根据用户的历史数据与当前数据之间的差异程度授予合适的身份权限；分类权重值反映着维度数据之间的相似程度，数据离散程度反映着申请用户的历史数据集合内的数据分布情况，用户关联性反映着目标用户与参考申请用户的维度数据内部数据的相关性，共有特征程度反映着目标用户与参考申请用户同种第一维度数据类别之间的相关程度，降低了数据随机性对分类结果的干扰，使最终授予身份权限的用户越合理，提高了电子印章身份权限的安全性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明一种电子印章身份权限安全管理方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种电子印章身份权限安全管理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种电子印章身份权限安全管理方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种电子印章身份权限安全管理方法的步骤流程图，该方法包括以下步骤：

步骤S001：采集若干申请用户的若干信息数据。

需要说明的是，在传统的权限管理系统中，通常依赖手动设置和固定规则来确定哪些用户可以使用电子印章；在处理大规模用户的复杂业务需求时，系统会通过用户的历史数据与当前数据之间的差异程度来决定是否对用户授予电子印章的身份权限，但由于当前数据具体随机性的特点，会使用户的历史数据与当前数据之间的差异程度发生变化，从而存在身份权限授予不合适的用户的情况，使含有电子印章的电子文件存在安全隐患。为此，本实施例提出了一种电子印章身份权限安全管理方法。

具体的，为了实现本实施例提出的一种电子印章身份权限安全管理方法，首先需要信息数据，具体过程为：在申请用户历史数据库中，获取近一个月内所有申请用户的初始信息数据，并对所有初始信息数据进行数据清洗得到清洗后的初始信息数据，记为信息数据；其中每个申请用户的信息数据包含项目名称、项目预算金额、项目内容、项目进度、项目信息内容以及申请时间这五种维度数据类别；数据清洗是公知技术，本实施例不进行叙述。

至此，通过上述方法得到若干申请用户的所有信息数据。

步骤S002：根据信息数据得到总体历史数据集合以及每个申请用户的历史数据集合；根据总体历史数据集合与历史数据集合得到每种维度数据类别的分类权重值。

需要说明的是，对于任意一个申请用户而言，该申请用户在申请不同项目时，由于项目的内容、可行性以及收益不同，导致该申请用户申请的项目之间存在一定的差异性，因此该申请用户申请的项目之间也会存在一定的关联性；同时由于该申请用户的每种维度数据类别的信息特征不同，所以每种维度数据类别受到同种维度数据类别的历史数据的影响也会不同，导致该申请用户的每种维度数据类别在历史数据中的分布存在一定的离散程度，且离散程度大小各有差异；从而使用该申请用户的每种维度数据类别的聚类结果也会不同。为了对申请用户进行精准授权，本实施例通过获取对申请用户的维度数据进行聚类，进而获取申请用户的相似群体，确定是否对申请用户进行电子印章的身份权限的授予。为此，首先需要分析每种维度数据类别的分类权重值，得到每种维度数据类别的离散程度。

具体的，在所有信息数据中，将申请时间与当前采集时间差值的绝对值最小的信息数据记为总体最新信息数据，将除总体最新信息数据以外的每个信息数据记为总体历史信息数据，将所有总体历史信息数据构成的集合记为总体历史数据集合；以任意一个申请用户为例，在该申请用户的所有信息数据中，将申请时间与当前采集时间差值的绝对值最小的信息数据记为该申请用户的最新信息数据，将除最新信息数据以外的每个信息数据记为该申请用户的历史信息数据，将该申请用户的所有历史信息数据构成的集合记为该申请用户的历史数据集合；其中每个申请用户对应一个历史数据集合，每个历史数据集合中包含若干种维度数据类别，总体历史数据集合中包含所有申请用户的历史数据。

进一步的，以总体历史数据集合内任意一种维度数据类别为例，对该种维度数据类别出现的所有数据进行Jieba分词处理，得到该种维度数据类别的所有分词以及对应的词性；将该种维度数据类别的所有分词输入word2Vec模型得到每个分词的向量，记为词向量；获取总体历史数据集合内每种维度数据类别的所有分词的词向量；其中每种维度数据类别包含多个数据，每个数据包含多个分词，每个分词对应一个词性，每个分词对应一个词向量；另外Jieba分词处理以及word2Vec模型均是公知技术，本实施例不进行叙述。

进一步的，以任意一个申请用户的历史数据集合内任意两种维度数据类别为例，将任意一种维度数据类别记为目标维度数据，将目标维度数据内每个分词的词向量记为目标词向量；将另一种维度数据类别记为参考维度数据，将参考维度数据内每个分词的词向量记为参考词向量；将任意一个目标词向量与任意一个词向量的余弦相似度记为目标维度数据与参考维度数据的一个向量相似度；获取该申请用户的历史数据集合内任意两种维度数据类别的所有向量相似度。其中余弦相似度的获取是公知技术，本实施例不进行叙述。

进一步的，以总体历史数据集合内任意一种维度数据类别为例，将总体历史数据集合内除该种维度数据类别以外的每种维度数据类别记为对照维度数据；根据对照维度数据以及向量相似度得到该种维度数据类别的分类权重值；其中该种维度数据类别的分类权重值的计算方法为：

式中，表示该种维度数据类别的初始分类权重值；/>表示在总体历史数据集合内包含申请人员的数量；/>表示在总体历史数据集合内，对照维度数据类别的数量；/>表示在总体历史数据集合内，第/>种对照维度数据类别包含的词向量的数量；/>表示在总体历史数据集合内，该种维度数据类别包含的词向量的数量；/>表示在第/>个申请用户的历史数据集合内，第/>种对照维度数据类别与第/>种对照维度数据类别的所有向量相似度中，最大的向量相似度的绝对值；/>表示在总体历史数据集合内，第/>种对照维度数据类别与第/>种对照维度数据类别之间的词向量数量的差异；其中若该种维度数据类别的初始分类权重值越大，说明该种维度数据类别的不同对照维度数据之间最大向量相似度的可信度越高，反映该种维度数据类别与其他维度数据之间的相似程度越大，该种维度数据类别表示信息特征越明显。获取总体历史数据集合内所有维度数据类别的初始分类权重值，将所有维度数据类别的初始分类权重值进行线性归一化，将归一化后的每种维度数据类别的初始权重值记为分类权重值；获取每个申请用户的历史数据集合内每种维度数据类别的分类权重值。

至此，通过上述方法得到每个申请用户的历史数据集合内每种维度数据类别的分类权重值。

步骤S003：根据分类权重值得到若干种第一维度数据类别；根据第一维度数据类别以及历史数据集合得到每种第一维度数据类别在每个申请用户的历史数据集合内的若干类别；根据分类权重值以及类别得到每个申请用户的历史数据集合的数据离散程度。

需要说明的是，在获取每种维度数据类别的分类权重值之后，需要根据分类权重值得到符合初始筛选条件的维度数据，即第一维度数据，进而获取申请用户的第一维度数据的离散程度；本实施例期望通过第一维度数据自身分类的方式获取离散程度，但考虑到仅对申请用户的第一维度数据进行分类会存在较大的随机性误差，例如：在一个项目中，其主题信息为工程建设，但是工程建设还会分为多种项目分类，若对该申请用户的各个第一维度的数据分别进行分类，可能只能分到工程建设这一大类，而分不到工程建设具体的项目分类，这与本实施例期望不符；因此，本实施例对通过对所有申请人员的历史数据集合中同种第一维度数据类别进行分类，得到分类结果；根据分类结果得到每个申请人员的历史数据集合中每种第一维度数据类别的离散程度。

具体的，预设一个分类权重值阈值T1，其中本实施例以T1=0.6为例进行叙述，本实施例不进行具体限定，其中T1可根据具体实施情况而定；以总体历史数据集合内任意一种维度数据类别为例，若该种维度数据类别的分类权重值大于分类权重值阈值T1，将该种维度数据类别记为第一维度数据；若该种维度数据类别的分类权重值小于或等于分类权重值阈值T1，不对该种维度数据类别进行任何处理；获取所有种类的第一维度数据；其中每种第一维度数据类别对应一种维度数据类别，每个申请用户的第一维度数据的种类完全相同。

进一步的，以任意一种第一维度数据类别在任意一个申请用户的历史数据集合内，任意出现两次的两个数据为例，在这两个数据中，将任意一个数据的每个词向量记为第二目标词向量，将另一个数据的每个词向量记为第二参考词向量；将任意一个第二目标词向量与任意一个第二参考词向量的余弦相似度记为这两个数据的一个初始相似度；将这两个数据的所有初始相似度的均值记为这两个数据之间的相似度；获取该种第一维度数据类别在该申请用户的历史数据集合内，所有数据之间的相似度；根据相似度对该种第一维度数据类别在该申请用户的历史数据集合中的所有数据进行Single-Pass聚类，得到若干聚类簇，记为该种第一维度数据类别在该申请用户的历史数据集合内的类别；获取该种第一维度数据类别在每个申请用户的历史数据集合内的所有类别；获取每种第一维度数据类别在每个申请用户的历史数据集合内的类别；参考上述每种第一维度数据类别在每个申请用户的历史数据集合内的类别的获取方式，在总体历史数据集合中，获取每种第一维度数据类别在总体历史数据集合内的所有类别；其中Single-Pass聚类是公知技术，本实施例不进行叙述，另外Single-Pass聚类需要预设一个相似度阈值T2，其中本实施例以T2=0.58为例进行叙述，本实施例不进行具体限定，其中T2可根据具体实施情况而定。

进一步的，以任意一个申请用户为例，根据所有维度数据类别的分类权重值以及每种第一维度数据类别在该申请用户的历史数据集合内的类别，得到该申请用户的历史数据集合的数据离散程度；其中该申请用户的历史数据集合的数据离散程度的计算方法为：

式中，表示该申请用户的历史数据集合的初始数据离散程度；/>表示第一维度数据类别的数量；/>表示第/>种第一维度数据类别的分类权重值；/>表示第/>种第一维度数据类别在该申请用户的历史数据集合内的类别的数量；/>表示第/>种第一维度数据类别总体历史数据集合内的类别的数量；其中若该申请用户的历史数据集合的初始数据离散程度越大，说明该申请用户的历史数据集合内的数据分布越分散，反映该申请用户的历史数据集合内共有的特征越少。获取所有申请用户的历史数据集合的初始数据离散程度，对所有申请用户的历史数据集合的初始数据离散程度进行线性归一化，将归一化后的每个初始数据离散程度记为数据离散程度。

至此，通过上述方法得到每个申请用户的历史数据集合的数据离散程度。

步骤S004：根据第一维度数据类别得到每个目标用户与参考申请用户的用户关联性；根据数据离散程度得到每个目标用户与参考申请用户的共有特征程度；根据数据离散程度、用户关联性以及共有特征程度得到相似性用户群体。

需要说明的是，不同申请用户的历史数据集合的数据离散程度表征着不同申请用户的历史数据分布情况，若数据离散程度越大，表明在该申请用户的历史数据中，各种维度数据类别之间的关联性较低，这类申请用户进行聚类时，更应该关注维度数据内部的关联性特征，比如说项目的某些内容需要根据其他部门的人员之间进行对接；若数据离散程度越小，表明在该申请用户的历史数据中，各种维度数据类别之间的关联性较高，这类申请用户在进行聚类时，更应该关注维度数据之间的共同特征。

进一步需要说明的是，传统的K-means聚类是通过不断迭代聚类中心点，获取每次迭代过程的目标函数值，比较当前迭代过程的目标函数值与上一次迭代过程的目标函数值的变化量，直至变化量不变或者达到预定迭代次数时停止迭代，从而获取最终的聚类簇；本实施例在传统迭代的基础上，根据数据离散程度分析申请用户之间的维度数据的关联程度，从而确定最终的聚类簇。

具体的，将总体最新信息数据对应的申请用户记为最终目标用户，对所有申请用户的历史数据集合中所有第一维度数据进行自适应K-means聚类，得到若干聚类簇，将最终目标用户所属的聚类簇记为最终目标用户的相似性用户群体，其中进行自适应K-means聚类的具体过程如下：

进一步的，本实施例预设一个聚类迭代次数K，其中本实施例以K=30为例进行叙述，本实施例不进行具体限定，其中K可根据具体实施情况而定；以任意一次迭代过程为例，获取该迭代过程的若干聚类簇；以任意一个聚类簇为例，将位于该聚类簇的聚类中心的数据所属的申请用户记为该聚类簇的参考申请用户，将该聚类簇中除参考申请用户以外的任意一个申请用户记为目标用户，根据该参考申请用户的历史数据集合得到目标用户与该参考申请用户的用户关联性；另外目标用户与该参考申请用户的用户关联性的计算方法为：

式中，表示目标用户与该参考申请用户的用户关联性；/>表示第一维度数据类别的数量；/>表示第/>种第一维度数据类别在该参考申请用户的历史数据集合内类别的数量；/>表示第/>种第一维度数据类别在该参考申请用户的历史数据集合内，第/>个类别中包含数据的数量；/>表示第/>种第一维度数据类别在该参考申请用户的历史数据集合内，所有类别包含数据的数量；/>表示第/>种第一维度数据类别在该参考申请用户的历史数据集合内，所有数据之间的相似度的均值；其中若目标用户与该参考申请用户的用户关联性越大，说明目标用户与该参考申请用户的维度数据内部数据的相关性越大，反映该参考申请用户越有可能属于目标用户的近似用户群体。获取目标用户与所有参考申请用户的用户关联性。

进一步的，预设四个特征值T3、T4、T5以及T6，其中本实施例以T3=0.8、T4=0.6、T5=0.4、T6=0.2为例进行叙述，本实施例不进行具体限定，其中T3、T4、T5以及T6可根据具体实施情况而定；以任意一种第一维度数据类别为例，在目标用户与该参考申请用户的历史数据集合内该种第一维度数据类别中，将所有词性为名词的词向量的特征值预设为T3，将所有词性为动词的词向量的特征值预设为T4，将所有词性为副词的词向量的特征值预设为T5，将其余词性的词向量的特征值预设为T6；在目标用户与该参考申请用户的历史数据集合内该种第一维度数据类别中，将所有词性的词向量数量中最多的词向量数量作为向量矩阵的行数，将所有词向量的词性种类数量作为向量矩阵的列数，对所有词性的所有词向量构建向量矩阵，向量矩阵的列表示词向量的词性种类，向量矩阵的行表示每种词性的词向量，获取向量矩阵的所有特征向量；获取所有特征向量的L2范数，对所有特征向量的L2范数进行线性归一化，将归一化后的L2范数记为该种第一维度数据类别下目标用户与该参考申请用户的共有特征值；其中于向量矩阵中的空缺位置，本实施例使用预设特征值为0.1的默认词向量进行补充；特征向量以及L2范数的获取是公知技术，本实施例不进行叙述。需要说明的是，由于向量矩阵中词向量的排列顺序对特征向量的获取没有影响，因此本实施例不对向量矩阵中词向量的排列顺序进行限定，将所有词向量进行随机排列。

进一步的，根据数据离散程度以及共有特征值得到目标用户与该参考申请用户的共有特征程度；其中目标用户与该参考申请用户的共有特征程度的计算方法为：

式中，表示目标用户与该参考申请用户的共有特征程度；/>表示目标用户的历史数据集合的数据离散程度；/>表示该参考申请用户的历史数据集合的数据离散程度；/>表示第一维度数据类别的数量；/>表示第/>种第一维度数据类别下目标用户与该参考申请用户的共有特征值；其中若目标用户与该参考申请用户的共有特征程度越大，说明目标用户与该参考申请用户同种第一维度数据类别之间的相关程度越高，反映该参考申请用户越有可能属于目标用户的近似用户群体。获取目标用户与所有参考申请用户的共有特征程度。

进一步的，根据数据离散程度、用户关联性以及共有特征程度得到该次迭代过程下的自适应目标函数值；其中该次迭代过程下的自适应目标函数值的计算方法为：

式中，表示该次迭代过程下的自适应目标函数值；/>表示在总体历史数据集合内包含申请人员的数量；/>表示该次迭代过程下聚类簇的数量；/>表示第/>个申请人员与第个聚类簇的权重，若第/>个申请人员属于第/>个聚类簇，/>，若第/>个申请人员不属于第/>个聚类簇，/>；/>表示第/>个申请人员的历史数据集合的数据离散程度；/>表示第/>个申请人员与第/>个聚类簇的参考申请用户的用户关联性；/>表示第/>个申请人员与第/>个聚类簇的参考申请用户的共有特征程度。获取每次迭代过程下的自适应目标函数值。

进一步的，根据每次迭代过程下的自适应目标函数值得到自适应K-means聚类的所有聚类簇；其中根据自适应目标函数值获取聚类簇是K-means聚类的公知内容，本实施例不进行叙述。

至此，通过上述方法得到最终目标用户的相似性用户群体。

步骤S005：根据相似性用户群体实时进行电子印章身份权限的安全管理。

具体的，在最终目标用户的相似性用户群体中，将最终目标用户的任意两个维度数据之间的所有向量相似度的均值记为最终目标用户的最终相似度，获取最终目标用户的所有最终相似度，将所有最终相似度进行线性归一化，将归一化后的每个最终相似度记为第二最终相似度。

进一步的，预设一个第二最终相似度阈值T7，其中本实施例以T7=0.75为例进行叙述，本实施例不进行具体限定，其中T7可根据具体实施情况而定；若不存在第二最终相似度小于或等于第二最终相似度阈值T7，对最终目标用户授予使用电子印章的身份权限；若存在任意一个第二最终相似度小于或等于第二最终相似度阈值T7，不对最终目标用户授予使用电子印章的身份权限。实时更新申请用户历史数据库，对实时更新的每位申请用户进行电子印章身份权限的安全管理。

至此，本实施例完成。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，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 (9)

1.一种电子印章身份权限安全管理方法，其特征在于，该方法包括以下步骤：

采集若干申请用户的若干信息数据，所述信息数据包含多种维度数据类别，每种维度数据类别包含多个数据；

根据信息数据得到总体历史数据集合以及每个申请用户的历史数据集合；根据总体历史数据集合与历史数据集合得到每种维度数据类别的分类权重值；

根据分类权重值得到若干种第一维度数据类别；根据第一维度数据类别以及历史数据集合得到每种第一维度数据类别在每个申请用户的历史数据集合内的若干类别；根据分类权重值以及类别得到每个申请用户的历史数据集合的数据离散程度；

将聚类过程中每次迭代过程记为目标迭代过程，获取目标迭代过程下的若干聚类簇，将目标迭代过程下每个聚类簇记为目标聚类簇，将位于目标聚类簇的聚类中心的数据所属的申请用户记为参考申请用户，将目标聚类簇中除参考申请用户以外的任意一个申请用户记为目标用户，根据第一维度数据类别得到每个目标用户与参考申请用户的用户关联性；根据数据离散程度得到每个目标用户与参考申请用户的共有特征程度；根据数据离散程度、用户关联性以及共有特征程度得到相似性用户群体；

根据相似性用户群体实时进行电子印章身份权限的安全管理；

所述根据数据离散程度得到每个目标用户与参考申请用户的共有特征程度，包括的具体方法为：

将预设的四个特征值分别记为T3、T4、T5、T6；对于任意一个目标用户以及任意一种第一维度数据类别，在目标用户与参考申请用户的历史数据集合内的第一维度数据中，将所有词性为名词的词向量的特征值预设为T3，将所有词性为动词的词向量的特征值预设为T4，将所有词性为副词的词向量的特征值预设为T5，将其余词性的词向量的特征值预设为T6；在目标用户与参考申请用户的历史数据集合内的第一维度数据中，将所有词性的词向量数量中最多的词向量数量作为向量矩阵的行数，将所有词向量的词性种类数量作为向量矩阵的列数，对所有词性的所有词向量构建向量矩阵，向量矩阵的列表示词向量的词性种类，向量矩阵的行表示每种词性的词向量，获取向量矩阵的所有特征向量；获取所有特征向量的L2范数，对所有特征向量的L2范数进行线性归一化，将归一化后的L2范数记为第一维度数据下目标用户与参考申请用户的共有特征值；获取每种第一维度数据类别下目标用户与参考申请用户的共有特征值；

式中，表示目标用户与参考申请用户的共有特征程度；/>表示目标用户的历史数据集合的数据离散程度；/>表示该参考申请用户的历史数据集合的数据离散程度；/>表示第一维度数据类别的数量；/>表示第/>种第一维度数据类别下目标用户与该参考申请用户的共有特征值。

2.根据权利要求1所述一种电子印章身份权限安全管理方法，其特征在于，所述根据信息数据得到总体历史数据集合以及每个申请用户的历史数据集合，包括的具体方法为：

在所有信息数据中，将申请时间与当前采集时间差值的绝对值最小的信息数据记为总体最新信息数据，将除总体最新信息数据以外的每个信息数据记为总体历史信息数据，将所有总体历史信息数据构成的集合记为总体历史数据集合；

对于任意一个申请用户，在申请用户的所有信息数据中，将申请时间与当前采集时间差值的绝对值最小的信息数据记为申请用户的最新信息数据，将除最新信息数据以外的每个信息数据记为申请用户的历史信息数据，将申请用户的所有历史信息数据构成的集合记为申请用户的历史数据集合。

3.根据权利要求1所述一种电子印章身份权限安全管理方法，其特征在于，所述根据总体历史数据集合与历史数据集合得到每种维度数据类别的分类权重值，包括的具体方法为：

对于总体历史数据集合内任意一种维度数据类别，对维度数据出现的所有数据进行Jieba分词处理，得到维度数据的所有分词以及对应的词性；将维度数据的所有分词输入word2Vec模型得到每个分词的向量，记为词向量；获取总体历史数据集合内每种维度数据类别中所有分词的词向量，所述每个数据包含多个分词，每个分词对应一个词向量；

对于任意一个申请用户的历史数据集合内任意两种维度数据类别，将任意一种维度数据类别记为目标维度数据，将目标维度数据内每个分词的词向量记为目标词向量；将另一种维度数据类别记为参考维度数据，将参考维度数据内每个分词的词向量记为参考词向量；将任意一个目标词向量与任意一个词向量的余弦相似度记为目标维度数据与参考维度数据的一个向量相似度；获取申请用户的历史数据集合内任意两种维度数据类别的所有向量相似度；

将总体历史数据集合内任意一种维度数据类别记为第一对照维度数据类别，将总体历史数据集合内除第一对照维度数据以外的每种维度数据类别记为对照维度数据；

式中，表示第一对照维度数据类别的初始分类权重值；/>表示在总体历史数据集合内包含申请人员的数量；/>表示在总体历史数据集合内，对照维度数据类别的数量；/>表示在总体历史数据集合内，第/>种对照维度数据类别包含的词向量的数量；/>表示在总体历史数据集合内，第一对照维度数据类别包含的词向量的数量；/>表示在第/>个申请用户的历史数据集合内，第/>种对照维度数据类别与第/>种对照维度数据类别的所有向量相似度中，最大的向量相似度的绝对值；获取总体历史数据集合内所有维度数据类别的初始分类权重值，将所有维度数据类别的初始分类权重值进行线性归一化，将归一化后的每种维度数据类别的初始权重值记为分类权重值。

4.根据权利要求1所述一种电子印章身份权限安全管理方法，其特征在于，所述根据分类权重值得到若干种第一维度数据类别，包括的具体方法为：

将预设的分类权重值阈值记为T1，对于总体历史数据集合内任意一种维度数据类别，若维度数据的分类权重值大于T1，将维度数据记为第一维度数据。

5.根据权利要求3所述一种电子印章身份权限安全管理方法，其特征在于，所述根据第一维度数据类别以及历史数据集合得到每种第一维度数据类别在每个申请用户的历史数据集合内的若干类别，包括的具体方法为：

对于任意一种第一维度数据类别在任意一个申请用户的历史数据集合内，任意出现两次的两个数据；在这两个数据中，将任意一个数据中每个分词的词向量记为第二目标词向量，将另一个数据中每个分词的词向量记为第二参考词向量；将任意一个第二目标词向量与任意一个第二参考词向量的余弦相似度记为这两个数据的一个初始相似度；将这两个数据的所有初始相似度的均值记为这两个数据之间的相似度；获取第一维度数据在该申请用户的历史数据集合内，所有数据之间的相似度；

根据相似度对第一维度数据在申请用户的历史数据集合中的所有数据进行Single-Pass聚类，得到若干聚类簇，记为第一维度数据在申请用户的历史数据集合内的类别；获取每种第一维度数据类别在每个申请用户的历史数据集合内的若干类别；

根据每种第一维度数据类别在每个申请用户的历史数据集合内的类别的获取方式，在总体历史数据集合中，获取每种第一维度数据类别在总体历史数据集合内的若干类别。

6.根据权利要求5所述一种电子印章身份权限安全管理方法，其特征在于，所述根据分类权重值以及类别得到每个申请用户的历史数据集合的数据离散程度，包括的具体方法为：

对于任意一个申请用户，式中，表示申请用户的历史数据集合的初始数据离散程度；/>表示第一维度数据类别的数量；/>表示第/>种第一维度数据类别的分类权重值；/>表示第/>种第一维度数据类别在该申请用户的历史数据集合内的类别的数量；/>表示第/>种第一维度数据类别总体历史数据集合内的类别的数量；获取所有申请用户的历史数据集合的初始数据离散程度，对所有申请用户的历史数据集合的初始数据离散程度进行线性归一化，将归一化后的每个初始数据离散程度记为数据离散程度。

7.根据权利要求1所述一种电子印章身份权限安全管理方法，其特征在于，所述根据第一维度数据类别得到每个目标用户与参考申请用户的用户关联性，包括的具体方法为：

对于任意一个目标用户，式中，表示目标用户与参考申请用户的用户关联性；/>表示第一维度数据类别的数量；/>表示第/>种第一维度数据类别在参考申请用户的历史数据集合内类别的数量；/>表示第/>种第一维度数据类别在参考申请用户的历史数据集合内，第/>个类别中包含数据的数量；/>表示第/>种第一维度数据类别在参考申请用户的历史数据集合内，所有类别包含数据的数量；/>表示第/>种第一维度数据类别在参考申请用户的历史数据集合内，所有数据之间的相似度的均值。

8.根据权利要求2所述一种电子印章身份权限安全管理方法，其特征在于，所述根据数据离散程度、用户关联性以及共有特征程度得到相似性用户群体，包括的具体方法为：

对于任意一次迭代过程，式中，表示迭代过程下的自适应目标函数值；/>表示在总体历史数据集合内包含申请人员的数量；/>表示迭代过程下聚类簇的数量；/>表示第/>个申请人员与第/>个聚类簇的权重；/>表示第/>个申请人员的历史数据集合的数据离散程度；表示第/>个申请人员与第/>个聚类簇的参考申请用户的用户关联性；/>表示第/>个申请人员与第/>个聚类簇的参考申请用户的共有特征程度；

获取每次迭代过程下的自适应目标函数值；根据每次迭代过程下的自适应目标函数值进行K-means聚类，得到若干聚类簇；将总体最新信息数据对应的申请用户记为最终目标用户，将最终目标用户所属的聚类簇记为最终目标用户的相似性用户群体。

9.根据权利要求1所述一种电子印章身份权限安全管理方法，其特征在于，所述根据相似性用户群体实时进行电子印章身份权限的安全管理，包括的具体方法为：

在最终目标用户的相似性用户群体中，将最终目标用户的任意两个维度数据之间的所有向量相似度的均值记为最终目标用户的最终相似度，获取最终目标用户的所有最终相似度，将所有最终相似度进行线性归一化，将归一化后的每个最终相似度记为第二最终相似度；

将预设的第二最终相似度阈值记为T7；若不存在第二最终相似度小于或等于T7，对最终目标用户授予使用电子印章的身份权限；若存在任意一个第二最终相似度小于或等于T7，不对最终目标用户授予使用电子印章的身份权限。