CN117893330A - 画像全景图的生成方法、装置、设备及存储介质 - Google Patents

Abstract

本发明实施例提供一种画像全景图的生成方法、装置、设备及存储介质，涉及人工智能领域。该方法包括：获取业务数据，对业务数据进行解析，得到多个业务标签及其对应的业务字段信息；根据各业务标签对应的业务字段信息，对各业务标签进行分类，得到各业务标签对应的第一业务类别及第一业务类别的准确率；若有业务标签对应的第一业务类别的准确率低于预设类别准确率，则获取业务标签对应的标签加工逻辑数据，并根据标签加工逻辑数据确定业务标签对应的第二业务类别；根据各业务标签对应的第一业务类别或第二业务类别，对多个业务标签进行整合处理，构建业务数据对应的画像全景图。本申请旨在解决现有的业务标签分类并不规范、冗余数据较多的问题。

Description

画像全景图的生成方法、装置、设备及存储介质

技术领域

本申请涉及人工智能领域，尤其涉及画像全景图的生成方法、画像全景图的生成装置、计算机设备及计算机可读存储介质。

背景技术

数字化作为优化体验、降本增效的重要手段，是金融保险业向高质量发展转型的突破口之一。以客户为中心是金融保险业数字化转型的目标，其含义是打造多层次体系的以客户为中心的组织能力，围绕获客、养客、转化、理赔/服务、加购/留存全旅程客户运营，更加全面地发掘客户深层次的需求，创造性地拓展服务领域和服务方式，完成与客户的共同成长。

然而，现有金融保险业的客户相关的标签字段，是业务部门根据不同的需求场景、烟囱式开发的，从而导致标签散落在不同的标签表格，没有分类体系，进而无法形成企业客户的画像全景图。

发明内容

本申请提供了一种画像全景图的生成方法、画像全景图的生成装置、计算机设备及计算机可读存储介质，旨在解决现有的业务标签分类并不规范、冗余数据较多，从而导致成本变高，数据复用性较差，数据杂乱等问题。

为实现上述目的，本申请提供一种画像全景图的生成方法，所述方法包括：

获取业务数据，对所述业务数据进行解析，得到多个业务标签及其对应的业务字段信息；

根据各所述业务标签对应的业务字段信息，对各所述业务标签进行分类，得到各所述业务标签对应的第一业务类别及所述第一业务类别的准确率；

若有所述业务标签对应的第一业务类别的准确率低于预设类别准确率，则获取所述业务标签对应的标签加工逻辑数据，并根据所述标签加工逻辑数据确定所述业务标签对应的第二业务类别；

根据各所述业务标签对应的第一业务类别或第二业务类别，对所述多个业务标签进行整合处理，构建所述业务数据对应的画像全景图。

为实现上述目的，本申请提供一种画像全景图的生成装置，所述画像全景图的生成装置包括：

数据解析模块，用于获取业务数据，对所述业务数据进行解析，得到多个业务标签及其对应的业务字段信息；

标签初次分类模块，用于根据各所述业务标签对应的业务字段信息，对各所述业务标签进行分类，得到各所述业务标签对应的第一业务类别及所述第一业务类别的准确率；

标签二次分类模块，用于若有所述业务标签对应的第一业务类别的准确率低于预设类别准确率，则获取所述业务标签对应的标签加工逻辑数据，并根据所述标签加工逻辑数据确定所述业务标签对应的第二业务类别；

全景图构建模块，用于根据各所述业务标签对应的第一业务类别或第二业务类别，对所述多个业务标签进行整合处理，构建所述业务数据对应的画像全景图。

本申请实施例公开的画像全景图的生成方法、画像全景图的生成装置、计算机设备及计算机可读存储介质，通过获取业务数据，对业务数据进行解析，得到多个业务标签及其对应的业务字段信息；根据各业务标签对应的业务字段信息，对各业务标签进行分类，得到各业务标签对应的第一业务类别及第一业务类别的准确率；若有业务标签对应的第一业务类别的准确率低于预设类别准确率，则获取业务标签对应的标签加工逻辑数据，并根据标签加工逻辑数据确定业务标签对应的第二业务类别；根据各业务标签对应的第一业务类别或第二业务类别，对多个业务标签进行整合处理，构建业务数据对应的画像全景图。由此可以通过信息分类规范化，将同类标签及相同取数源的标签整合到同一个标签表格中，从而能够消除冗余数据，减少数据的不一致性，能最大程度优化计算资源，从而降低成本，提高数据复用性，避免出现数据杂乱的情况。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请实施例提供的一种画像全景图的生成方法的场景示意图；

图2是本申请实施例提供的一种画像全景图的生成方法的流程示意图；

图3是本申请实施例提供的一种确定各业务标签对应的第一业务类别的准确率后的处理流程的流程示意图；

图4是本申请一实施例提供的一种画像全景图的生成装置的示意性框图；

图5是本申请一实施例提供的一种计算机设备的示意性框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。另外，虽然在装置示意图中进行了功能模块的划分，但是在某些情况下，可以以不同于装置示意图中的模块划分。

在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

现有金融保险业的客户相关的标签字段，是业务部门根据不同的需求场景、烟囱式开发的，从而导致标签散落在不同的标签表格，没有分类体系，进而无法形成企业客户的画像全景图。其导致的问题包括：1、业务标签重复加工，导致数据不一致且资源消耗高；2、不同业务标签表格中的业务标签字段存在同名异义、同义异名的问题；3、从数据设计落地角度，数据模型扩展性差，可复用性差；4、从标签画像产品角度，无法输出体系化标签资产供其它产品及部门引用服务。

本申请提出了一种画像全景图的生成方法、画像全景图的生成装置、计算机设备及计算机可读存储介质，由此可以通过信息分类规范化，将同类标签及相同取数源的标签整合到同一个标签表格中，从而能够消除冗余数据，减少数据的不一致性，能最大程度优化计算资源，从而降低成本，提高数据复用性，避免出现数据杂乱的情况。

其中，该方法可以应用于服务器，当然也可以应用于终端设备上，用于生成对应的图像分类模型，其中，终端设备可以包括诸如手机、平板电脑、个人数字助理(PersonalDigital Assistant，PDA)等固定终端。服务器例如可以为单独的服务器或服务器集群。但为了便于理解，以下实施例将以应用于服务器的画像全景图的生成方法进行详细介绍。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

如图1所示，本申请实施例提供的画像全景图的生成方法，可以应用于如图1所示的应用环境中。该应用环境中包含有终端设备110和服务器120，其中，终端设备110可以通过网络与服务器120进行通信。具体地，服务器120获取业务数据，对业务数据进行解析，得到多个业务标签及其对应的业务字段信息；根据各业务标签对应的业务字段信息，对各业务标签进行分类，得到各业务标签对应的第一业务类别及第一业务类别的准确率；若有业务标签对应的第一业务类别的准确率低于预设类别准确率，则获取业务标签对应的标签加工逻辑数据，并根据标签加工逻辑数据确定业务标签对应的第二业务类别；根据各业务标签对应的第一业务类别或第二业务类别，对多个业务标签进行整合处理，构建业务数据对应的画像全景图，并将画像全景图发送至终端设备110。其中，服务器120可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备110可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。

请参阅图2，图2是本申请实施例提供的一种画像全景图的生成方法的示意流程图。其中，该画像全景图的生成方法可以通过信息分类规范化，将同类标签及相同取数源的标签整合到同一个标签表格中，从而能够消除冗余数据，减少数据的不一致性，能最大程度优化计算资源，从而降低成本，提高数据复用性，避免出现数据杂乱的情况。

如图2所示，该画像全景图的生成方法包括步骤S101至步骤S104。

S101、获取业务数据，对所述业务数据进行解析，得到多个业务标签及其对应的业务字段信息。

其中，业务数据可以为金融数据，比如可以包括保险业务数据、存款业务数据、贷款业务数据和企业业务数据等。业务标签可以用于描述业务数据的主要信息，业务标签可以包括基本信息标签、风控信息标签、价值信息标签、承保信息标签和理赔信息标签等。基本信息标签可以用于描述客户的自然属性信息；风控信息标签可以用于描述客户当前或潜在的风险管理流程相关信息；价值信息标签可以用于衡量客户价值的分析评价信息；承保信息标签可以用于描述客户的保险信息；理赔信息标签可以用于描述客户的赔付信息。业务字段信息用于表示业务标签对应的语义信息。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

在一些实施例中，对所述业务数据进行文本提取，得到业务文本信息；对所述业务文本信息进行分词处理，得到多个业务字段信息；对所述多个业务字段信息进行整合处理，得到多个业务标签。由此可以通过业务文本信息准确地确定业务数据对应的多个业务标签。

其中，业务文本信息可以包括业务数据中包括的所有文本信息。

具体地，对业务数据进行文本提取，可以将业务数据中的所有文字信息全部提取出来，并整合得到业务文本信息；再基于预设的分词模型对业务文本信息进行分词处理，从而得到多个业务字段信息；最后再对多个业务字段信息进行整合处理，从而生成多个业务标签。

示例性的，对金融数据进行文本提取，可以将金融数据中的所有文字信息全部提取出来，并整合得到业务文本信息；再基于预设的分词模型对业务文本信息进行分词处理，从而得到多个业务字段信息比如包括公司的注册地则、法人的身份信息和客户当前价值等，则可以将公司的注册地则、法人的身份信息和客户当前价值等业务字段信息均整合为对应的业务标签。

S102、根据各所述业务标签对应的业务字段信息，对各所述业务标签进行分类，得到各所述业务标签对应的第一业务类别及所述第一业务类别的准确率。

其中，业务标签对应的第一业务类别为业务标签的初始分类类别，可以根据各业务标签对应的业务字段信息来确定。第一业务类别的准确率可以用于表示业务标签与其对应的第一业务类别的匹配度。

具体地，业务标签的业务类别可以包括基本信息标签、风控信息标签、价值信息标签、承保信息标签和理赔信息标签等分类。

示例性的，基本信息标签可以包括团体客户的工商信息(比如注册信息、法人信息、股东信息、上市信息)、财务信息(比如营业收入、资产负债)、联系信息(比如联系人、联系地址)、企业性质(比如是否500强、是否集团客户、是否认证客户、是否产险客户)和其他信息(比如组织架构、红营产品、知识产权、融资活动)等。

示例性的，风控信息标签可以包括客户风险相关信息(比如人行征信、工商处罚、高危行业、自然风险)以及风险识别、计量、监测及控制信息等。

示例性的，价值信息标签可以包括价值评价(比如当前价值、潜在价值)、客群评价(比如战略、超大、中大、小微)、收益评价(比如成本、利润、评分)等。

示例性的，承保信息标签可以包括投保情况、核保情况和承保情况等。

示例性的，理赔信息标签可以包括出险情况和赔付情况等。

在一些实施例中，根据各所述业务标签对应的业务字段信息，对各所述业务标签进行语义预测，得到各所述业务标签的语义预测结果；根据各所述业务标签的语义预测结果，确定各所述业务标签对应的第一业务类别；对于任意一个所述业务标签，获取所述业务标签对应的第一业务类别对应的预设业务标签，根据所述预设业务标签与所述业务标签确定所述第一业务类别的准确率。由此可以准确地确定各个业务标签对应的第一业务类别，并计算得到第一业务类别的准确率。

其中，语义预测结果用于表示业务标签对应的文本信息的语义。预设业务标签为第一业务类别下的标准业务标签，标准业务标签可以为预存好的符合第一业务类别的业务标签。

具体地，基于预设的语义预测模型，将各业务标签对应的业务字段信息输入到该语义预测模型中，从而对各业务标签对应的业务字段信息进行文本分析并进行语义预测，从而得到各业务标签的语义预测结果；根据各业务标签的语义预测结果，从而依次确定各业务标签对应的第一业务类别；对于任意一个业务标签，可以获取业务标签对应的第一业务类别对应的预设业务标签，通过比较预设业务标签与业务标签以确定第一业务类别的准确率。

示例性的，获取到业务标签A对应的业务字段信息包括公司注册地址、公司注册法人或股东信息等具体信息；可以上述业务字段信息进行文本分析并进行语义预测，从而得到各业务标签的语义预测结果为工商信息，进而根据语义预测结果为工商信息来确定业务标签A对应的第一业务类别为基础业务标签。

示例性的，获取到业务标签B对应的业务字段信息包括企业潜在价值或企业当前价值等具体信息；可以上述业务字段信息进行文本分析并进行语义预测，从而得到各业务标签的语义预测结果为价值评价信息，进而根据语义预测结果为工商信息来确定业务标签B对应的第一业务类别为价值业务标签。

在一些实施例中，计算所述预设业务标签的语义与所述业务标签的语义的相似度；根据所述预设业务标签的语义与所述业务标签的语义的相似度，确定所述预设业务标签与所述业务标签的匹配度，并将所述匹配度作为所述第一业务类别的准确率。由此可以准确地确定该业务标签对应的第一业务类别的准确率。

其中，预设业务标签的语义与业务标签的语义的相似度可以用于表示预设业务标签与业务标签的相似程度。预设业务标签与所述业务标签的匹配度用于表示预设业务标签与所述业务标签的匹配程度，可以通过预设业务标签的语义与业务标签的语义的相似度来确定。一般地，预设业务标签的语义与业务标签的语义的相似度越高，预设业务标签与所述业务标签的匹配度最高。

具体地，可以通过确定预设业务标签的语义文本与业务标签的语义文本的相似度来计算预设业务标签的语义与业务标签的语义的相似度；再根据预设业务标签的语义与业务标签的语义的相似度，从而确定预设业务标签与业务标签的匹配度，并将匹配度作为所述第一业务类别的准确率。

示例性的，若确定预设业务标签的语义文本与业务标签的语义文本的相同文本字数为3个，且预设业务标签的总文本字数为5个，则可以确定预设业务标签的语义文本与业务标签的语义文本的相似度为60％。再根据预设业务标签的语义与业务标签的语义的相似度为60％，从而确定预设业务标签与业务标签的匹配度，并将匹配度作为第一业务类别的准确率也为60％。

示例性的，比如成本和前期投资等语义，其实质是相同，但是其对应的业务标签的文本信息并不相同。因此还可以分析预设业务标签的语义和业务标签的语义关联关系，从而可以确定预设业务标签的语义与业务标签的语义的相似度，从而确定预设业务标签与业务标签的匹配度，并将匹配度作为第一业务类别的准确率。

S103、若有所述业务标签对应的第一业务类别的准确率低于预设类别准确率，则获取所述业务标签对应的标签加工逻辑数据，并根据所述标签加工逻辑数据确定所述业务标签对应的第二业务类别。

其中，预设类别准确率可以为预设的业务类别的准确率，具体可以根据实际情况设定，比如可以为80％。标签加工逻辑数据可以用于表示标签生成以及分类时的相关处理逻辑所涉及到的数据。业务标签对应的第二业务类别为业务标签的二始分类类别，可以根据各业务标签对应的标签加工逻辑数据来确定。

具体地，确定各业务标签对应的第一业务类别的准确率是否低于预设类别准确率；若业务标签对应的第一业务类别的准确率低于预设类别准确率，则获取所述业务标签对应的标签加工逻辑数据，并根据所述标签加工逻辑数据确定所述业务标签对应的第二业务类别；若业务标签对应的第一业务类别的准确率不低于预设类别准确率，则可以根据该业务标签对应的第一业务类别，构建所述业务数据对应的画像全景图。

示例性的，确定各业务标签对应的第一业务类别的准确率后的处理流程可以包括步骤S201-步骤S203。

S201、确定各业务标签对应的第一业务类别的准确率是否低于预设类别准确率。

S202、若业务标签对应的第一业务类别的准确率低于预设类别准确率，则获取所述业务标签对应的标签加工逻辑数据，并根据所述标签加工逻辑数据确定所述业务标签对应的第二业务类别。

S203、若业务标签对应的第一业务类别的准确率不低于预设类别准确率，则可以根据该业务标签对应的第一业务类别，构建所述业务数据对应的画像全景图。

在一些实施例中，对所述标签加工逻辑数据进行解析，得到所述业务标签的源业务数据；获取所述源业务数据的其余业务标签对应的第一业务类别，并根据所述其余业务标签对应的第一业务类别确定所述业务标签对应的第二业务类别。由此可以通过源业务数据来准确地确定业务标签对应的第二业务类别。

其中，源业务数据用于表示该业务标签对应的来源数据。一般地，业务数据包括多个业务标签；其余业务标签为源业务数据下的其它业务标签。

具体地，对标签加工逻辑数据进行解析并进行筛选处理，从而得到所述业务标签的源业务数据；再获取该源业务数据中的其余业务标签对应的第一业务类别，从而将其余业务标签对应的第一业务类别作为该业务标签对应的第二业务类别。

在一些实施例中，确定所述其余业务标签的标签数量；若所述其余业务标签的标签数量为多个，则确定所述其余业务标签对应的第一业务类别是否相同；若所述其余业务标签对应的第一业务类别不相同，则确定各所述第一业务类别对应的标签数量，并将标签数量最多的第一业务类别作为所述业务标签对应的第二业务类别。由此可以准确地确定述业务标签对应的第二业务类别。

具体地，可以先确定其余业务标签的标签数量；若其余业务标签的标签数量为多个，则确定其余业务标签对应的第一业务类别是否相同；若其余业务标签对应的第一业务类别均相同，则将其余业务标签对应的第一业务类别作为该业务标签对应的第二业务类别；若其余业务标签对应的第一业务类别不相同，则确定各第一业务类别对应的标签数量，并将标签数量最多的第一业务类别作为业务标签对应的第二业务类别。由此可以准确地确定业务标签对应的第二业务类别。

示例性的，若其余业务标签包括业务标签A、业务标签B和业务标签C。若业务标签A、业务标签B和业务标签C对应的第一业务类别均相同，则将其余业务标签对应的第一业务类别作为该业务标签对应的第二业务类别；若业务标签A、业务标签B和业务标签C对应的第一业务类别不相同，比如业务标签A对应的第一业务类别为风控信息标签，业务标签B对应的第一业务类别为风控信息标签，业务标签C对应的第一业务类别为价值信息标签；则可以确定风控信息标签对应的标签数量为2个，价值信息标签对应的标签数量为1个。此时则可以确定标签数量最多的第一业务类别为风控信息标签，则可以将风控信息标签作为该业务标签对应的第二业务类别。

S104、根据各所述业务标签对应的第一业务类别或第二业务类别，对所述多个业务标签进行整合处理，构建所述业务数据对应的画像全景图。

其中，画像全景图可以用于表示业务数据的业务标签整合信息，用户可以通过画像全景图快速获取到业务数据的情况。

在一些实施例中，基于预设表格维度，根据各所述业务标签对应的第一业务类别或第二业务类别，生成多个业务标签表格；对所述多个业务标签表格进行整合处理，构建所述业务数据对应的画像全景图。由此可以准确地构建得到业务数据对应的画像全景图。

其中，预设表格维度可以包括业务主键、数据范围、时效和频度等维度。业务标签表格用于表示通过业务标签对应的业务类别所整合得到的标签表格。

具体地，可以基于预设表格维度，根据各业务标签对应的第一业务类别或第二业务类别，从而生成多个各个业务类别对应的业务标签表格；最后对多个业务标签表格进行整合处理，构建所述业务数据对应的画像全景图。

示例性的，可以基于预设表格维度比如时效，比如以一个月为界限，在该月内，根据各业务标签对应的第一业务类别或第二业务类别，从而生成多个各个业务类别(比如基本信息标签、风控信息标签、价值信息标签、承保信息标签和理赔信息标签)对应的业务标签表格；最后再对上述多个业务标签表格进行整合处理，构建所述业务数据对应的画像全景图。

需要说明的是，若该业务标签对应的第一业务类别的准确率不低于预设类别准确率，此时则采用业务标签对应的第一业务类别生成业务标签表格；若该业务标签对应的第一业务类别的准确率低于预设类别准确率，此时则采用业务标签对应的第二业务类别生成业务标签表格。

本申请实施例公开的画像全景图的生成方法，通过获取业务数据，对业务数据进行解析，得到多个业务标签及其对应的业务字段信息；根据各业务标签对应的业务字段信息，对各业务标签进行分类，得到各业务标签对应的第一业务类别及第一业务类别的准确率；若有业务标签对应的第一业务类别的准确率低于预设类别准确率，则获取业务标签对应的标签加工逻辑数据，并根据标签加工逻辑数据确定业务标签对应的第二业务类别；根据各业务标签对应的第一业务类别或第二业务类别，对多个业务标签进行整合处理，构建业务数据对应的画像全景图。由此可以通过信息分类规范化，将同类标签及相同取数源的标签整合到同一个标签表格中，从而能够消除冗余数据，减少数据的不一致性，能最大程度优化计算资源，从而降低成本，提高数据复用性，避免出现数据杂乱的情况。

请参阅图4，图4是本申请一实施例提供的一种画像全景图的生成装置的示意性框图，该画像全景图的生成装置可以配置于服务器中，用于执行前述的画像全景图的生成方法。

如图4所示，该画像全景图的生成装置300包括：数据解析模块301、标签初次分类模块302、标签二次分类模块303和全景图构建模块304。

数据解析模块301，用于获取业务数据，对所述业务数据进行解析，得到多个业务标签及其对应的业务字段信息；

标签初次分类模块302，用于根据各所述业务标签对应的业务字段信息，对各所述业务标签进行分类，得到各所述业务标签对应的第一业务类别及所述第一业务类别的准确率；

标签二次分类模块303，用于若有所述业务标签对应的第一业务类别的准确率低于预设类别准确率，则获取所述业务标签对应的标签加工逻辑数据，并根据所述标签加工逻辑数据确定所述业务标签对应的第二业务类别；

全景图构建模块304，用于根据各所述业务标签对应的第一业务类别或第二业务类别，对所述多个业务标签进行整合处理，构建所述业务数据对应的画像全景图。

在一些实施例中，数据解析模块301，还用于对所述业务数据进行文本提取，得到业务文本信息；对所述业务文本信息进行分词处理，得到多个业务字段信息；对所述多个业务字段信息进行整合处理，得到多个业务标签。

在一些实施例中，标签初次分类模块302，还用于根据各所述业务标签对应的业务字段信息，对各所述业务标签进行语义预测，得到各所述业务标签的语义预测结果；根据各所述业务标签的语义预测结果，确定各所述业务标签对应的第一业务类别；对于任意一个所述业务标签，获取所述业务标签对应的第一业务类别对应的预设业务标签，根据所述预设业务标签与所述业务标签确定所述第一业务类别的准确率。

在一些实施例中，标签初次分类模块302，还用于计算所述预设业务标签的语义与所述业务标签的语义的相似度；根据所述预设业务标签的语义与所述业务标签的语义的相似度，确定所述预设业务标签与所述业务标签的匹配度，并将所述匹配度作为所述第一业务类别的准确率。

在一些实施例中，标签二次分类模块303，还用于对所述标签加工逻辑数据进行解析，得到所述业务标签的源业务数据；获取所述源业务数据的其余业务标签对应的第一业务类别，并根据所述其余业务标签对应的第一业务类别确定所述业务标签对应的第二业务类别。

在一些实施例中，标签二次分类模块303，还用于确定所述其余业务标签的标签数量；若所述其余业务标签的标签数量为多个，则确定所述其余业务标签对应的第一业务类别是否相同；若所述其余业务标签对应的第一业务类别不相同，则确定各个所述第一业务类别对应的标签数量，并将标签数量最多的第一业务类别作为所述业务标签对应的第二业务类别。

在一些实施例中，全景图构建模块304，还用于基于预设表格维度，根据各所述业务标签对应的第一业务类别或第二业务类别，生成多个业务标签表格；对所述多个业务标签表格进行整合处理，构建所述业务数据对应的画像全景图。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和模块、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请的方法、装置可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程的消费终端设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

示例性的，上述的方法、装置可以实现为一种计算机程序的形式，该计算机程序可以在如图5所示的计算机设备上运行。

请参阅图5，图5是本申请实施例提供的一种计算机设备的示意图。该计算机设备可以是服务器。

如图5所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括易失性存储介质、非易失性存储介质和内存储器。

非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种画像全景图的生成方法。

处理器用于提供计算和控制能力，支撑整个计算机设备的运行。

内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种画像全景图的生成方法。

该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，该计算机设备的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

其中，在一些实施方式中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：获取业务数据，对所述业务数据进行解析，得到多个业务标签及其对应的业务字段信息；根据各所述业务标签对应的业务字段信息，对各所述业务标签进行分类，得到各所述业务标签对应的第一业务类别及所述第一业务类别的准确率；若有所述业务标签对应的第一业务类别的准确率低于预设类别准确率，则获取所述业务标签对应的标签加工逻辑数据，并根据所述标签加工逻辑数据确定所述业务标签对应的第二业务类别；根据各所述业务标签对应的第一业务类别或第二业务类别，对所述多个业务标签进行整合处理，构建所述业务数据对应的画像全景图。

在一些实施方式中，所述处理器还用于对所述业务数据进行文本提取，得到业务文本信息；对所述业务文本信息进行分词处理，得到多个业务字段信息；对所述多个业务字段信息进行整合处理，得到多个业务标签。

在一些实施方式中，所述处理器还用于根据各所述业务标签对应的业务字段信息，对各所述业务标签进行语义预测，得到各所述业务标签的语义预测结果；根据各所述业务标签的语义预测结果，确定各所述业务标签对应的第一业务类别；对于任意一个所述业务标签，获取所述业务标签对应的第一业务类别对应的预设业务标签，根据所述预设业务标签与所述业务标签确定所述第一业务类别的准确率。

在一些实施方式中，所述处理器还用于计算所述预设业务标签的语义与所述业务标签的语义的相似度；根据所述预设业务标签的语义与所述业务标签的语义的相似度，确定所述预设业务标签与所述业务标签的匹配度，并将所述匹配度作为所述第一业务类别的准确率。

在一些实施方式中，所述处理器还用于对所述标签加工逻辑数据进行解析，得到所述业务标签的源业务数据；获取所述源业务数据的其余业务标签对应的第一业务类别，并根据所述其余业务标签对应的第一业务类别确定所述业务标签对应的第二业务类别。

在一些实施方式中，所述处理器还用于确定所述其余业务标签的标签数量；若所述其余业务标签的标签数量为多个，则确定所述其余业务标签对应的第一业务类别是否相同；若所述其余业务标签对应的第一业务类别不相同，则确定各个所述第一业务类别对应的标签数量，并将标签数量最多的第一业务类别作为所述业务标签对应的第二业务类别。

在一些实施方式中，所述处理器还用于基于预设表格维度，根据各所述业务标签对应的第一业务类别或第二业务类别，生成多个业务标签表格；对所述多个业务标签表格进行整合处理，构建所述业务数据对应的画像全景图。

本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时实现本申请实施例提供的任一种画像全景图的生成方法。

其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。

进一步地，所述计算机可读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。

本发明所指区块链语言模型的存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种画像全景图的生成方法，其特征在于，所述方法包括：

获取业务数据，对所述业务数据进行解析，得到多个业务标签及其对应的业务字段信息；

根据各所述业务标签对应的业务字段信息，对各所述业务标签进行分类，得到各所述业务标签对应的第一业务类别及所述第一业务类别的准确率；

若有所述业务标签对应的第一业务类别的准确率低于预设类别准确率，则获取所述业务标签对应的标签加工逻辑数据，并根据所述标签加工逻辑数据确定所述业务标签对应的第二业务类别；

根据各所述业务标签对应的第一业务类别或第二业务类别，对所述多个业务标签进行整合处理，构建所述业务数据对应的画像全景图。

2.根据权利要求1所述的方法，其特征在于，所述对所述业务数据进行解析，得到多个业务标签及其对应的业务字段信息，包括：

对所述业务数据进行文本提取，得到业务文本信息；

对所述业务文本信息进行分词处理，得到多个业务字段信息；

对所述多个业务字段信息进行整合处理，得到多个业务标签。

3.根据权利要求1所述的方法，其特征在于，所述根据各所述业务标签对应的业务字段信息，对各所述业务标签进行分类，得到各所述业务标签对应的第一业务类别及所述第一业务类别的准确率，包括：

根据各所述业务标签对应的业务字段信息，对各所述业务标签进行语义预测，得到各所述业务标签的语义预测结果；

根据各所述业务标签的语义预测结果，确定各所述业务标签对应的第一业务类别；

对于任意一个所述业务标签，获取所述业务标签对应的第一业务类别对应的预设业务标签，根据所述预设业务标签与所述业务标签确定所述第一业务类别的准确率。

4.根据权利要求3所述的方法，其特征在于，所述根据所述预设业务标签与所述业务标签确定所述第一业务类别的准确率，包括：

计算所述预设业务标签的语义与所述业务标签的语义的相似度；

根据所述预设业务标签的语义与所述业务标签的语义的相似度，确定所述预设业务标签与所述业务标签的匹配度，并将所述匹配度作为所述第一业务类别的准确率。

5.根据权利要求1所述的方法，其特征在于，所述根据所述标签加工逻辑数据确定所述业务标签对应的第二业务类别，包括：

对所述标签加工逻辑数据进行解析，得到所述业务标签的源业务数据；

获取所述源业务数据的其余业务标签对应的第一业务类别，并根据所述其余业务标签对应的第一业务类别确定所述业务标签对应的第二业务类别。

6.根据权利要求5所述的方法，其特征在于，所述根据所述其余业务标签对应的第一业务类别确定所述业务标签对应的第二业务类别，包括：

确定所述其余业务标签的标签数量；

若所述其余业务标签的标签数量为多个，则确定所述其余业务标签对应的第一业务类别是否相同；

若所述其余业务标签对应的第一业务类别不相同，则确定各个所述第一业务类别对应的标签数量，并将标签数量最多的第一业务类别作为所述业务标签对应的第二业务类别。

7.根据权利要求1所述的方法，其特征在于，所述根据各所述业务标签对应的第一业务类别或第二业务类别，对所述多个业务标签进行整合处理，构建所述业务数据对应的画像全景图，包括：

基于预设表格维度，根据各所述业务标签对应的第一业务类别或第二业务类别，生成多个业务标签表格；

对所述多个业务标签表格进行整合处理，构建所述业务数据对应的画像全景图。

8.一种画像全景图的生成装置，其特征在于，所述画像全景图的生成装置包括：

数据解析模块，用于获取业务数据，对所述业务数据进行解析，得到多个业务标签及其对应的业务字段信息；

标签初次分类模块，用于根据各所述业务标签对应的业务字段信息，对各所述业务标签进行分类，得到各所述业务标签对应的第一业务类别及所述第一业务类别的准确率；

标签二次分类模块，用于若有所述业务标签对应的第一业务类别的准确率低于预设类别准确率，则获取所述业务标签对应的标签加工逻辑数据，并根据所述标签加工逻辑数据确定所述业务标签对应的第二业务类别；

全景图构建模块，用于根据各所述业务标签对应的第一业务类别或第二业务类别，对所述多个业务标签进行整合处理，构建所述业务数据对应的画像全景图。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；

所述存储器，用于存储计算机程序；

所述处理器，用于执行所述的计算机程序并在执行所述的计算机程序时实现：

如权利要求1-7任一项所述的画像全景图的生成方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1-7中任一项所述的画像全景图的生成方法。