CN118940168B 基于机器学习的数据智能治理系统及方法 （武汉博科国泰信息技术有限公司）

过获取被标注为正常数据的历史治理数据的集理和分析算法来对所述被标注为正常数据的历史治理数据的集合和所述待评估数据进行语义所述待评估数据之间的语义交互匹配特征来自2历史治理数据语义嵌入编码模块，用于对所述被标注为正常数合中的各个被标注为正常数据的历史治理数据进行语义嵌入编码以得到正常数据语义嵌正常数据语义强化模块，用于将所述正常数据语义嵌入编码向性全局性的上下文语义强化模块以得到强化正常数据语义嵌入编待评估数据语义嵌入编码模块，用于对所述待评估数据进行语义嵌入数据单项交互模块，用于以所述待评估数据语义嵌入编码向量所述查询特征向量和所述强化正常数据语义嵌入编码向量的集合输入单向交互匹配模块突出特征计算单元，用于提取所述正常数据语义嵌入编码据语义嵌入编码向量的最大值以得到突出正常数全局特征计算单元，用于提取所述正常数据语义嵌入编码向量据语义嵌入编码向量的平均值以得到全局正常数卷积激活单元，用于对所述突出正常数据语义嵌入编码向量嵌入编码向量进行卷积编码和特征激活处理以得到突出特征正常数据语义嵌入编码激活突出全局融合单元，用于融合所述突出特征正常数据语义局特征正常数据语义嵌入编码激活向量以得到全局一突出特征正常数据语义嵌入编码向非线性激活单元，用于对所述全局一突出特征正常数据语义嵌激活以得到全局突出特征正常数据语义嵌入编码特征加权融合单元，用于以所述全局一突出特征正常数语义嵌入编码向量的集合以得到所述强化正常数据语义嵌入编突出正常数据语义激活特征提取子单元，用于将所述突出进行一维卷积编码后得到的突出正常数据语义嵌入卷积编码向量输入ReLU函数以得到突突出正常数据语义激活特征增强子单元，用于对所述突出正常特征向量进行点卷积编码后得到的突出点卷积特征向量与第一权重矩阵进行矩阵相乘以3全局正常数据语义激活特征提取子单元，用于将所述全局正常进行一维卷积编码后得到的全局正常数据语义嵌入卷积编码向量输入ReLU函数以得到全全局正常数据语义激活特征增强子单元，用于对所述全局正常数据特征向量进行点卷积编码后得到的全局点卷积特征向量与第二权重矩阵进行矩阵相乘以将所述全局突出特征正常数据语义嵌入编码向量输入tanh函数以得到第一激活全将所述全局突出特征正常数据语义嵌入编码向量输入Sigmoid函数以得到第二激活将所述第一激活全局一突出特征正常数据语义嵌入编码向量和所述语义关联度计算单元，用于计算所述查询特征向量与所述强化正常向量的集合中的各个强化正常数据语义嵌入编码向量之间的语义关联度以得到待评估数单向交互匹配单元，用于以所述待评估数据一正常数据语义计算所述查询特征向量与每个所述强化正常数据语义嵌入编码向量之间的逐位置差计算所述数据语义差异编码向量的集合中每个数据语义差异编码向量的一范数以得4训练历史治理数据语义嵌入编码单元，用于对所述被数据的集合中的各个被标注为正常数据的训练历史治理数据进行语义嵌入编码以得到训训练正常数据上下文语义强化单元，用于将所述训练正常训练待评估数据语义嵌入编码单元，用于对所训练数据单向匹配特征生成单元，用于以所述训练待入所述单向交互匹配模块以得到训练数据单向匹训练治理结果生成单元，用于将训练数据单向匹配特分类损失单元，用于计算所述训练治理结果和所述真实模型训练单元，用于基于所述分类损失函数值并通过梯度下降的反向传于显著性全局性的上下文语义强化模块、所述单向交互匹配模块和所述基于分类器的治9.一种基于机器学习的数据智能治理方法，使用权利要求1所述的基于机器学习的数对所述被标注为正常数据的历史治理数据的集合中的各个被标注为正常数据的历史将所述正常数据语义嵌入编码向量的集合输入基于显著性一全局对所述待评估数据进行语义嵌入编码以得到待评估数据语义强化正常数据语义嵌入编码向量的集合输入单向交互匹配模块以得到数据单向匹配特征基于所述数据单向匹配特征，得到治理结果，所述治理结果用于5的集合中的各个被标注为正常数据的历史治理数据进行语义嵌入编码以得到正常数据语显著性全局性的上下文语义强化模块以得到强化正常数据语义嵌入编[0012]数据单项交互模块，用于以所述待评估数据语义嵌入编码向量作为查询特征向模块以得到数据单向匹配特征向量作为数据单6于提取所述正常数据语义嵌入编码向量的集合中的各个正常数据语义嵌入编码向量的平义嵌入编码向量和所述全局正常数据语义嵌入编码向量进行卷积编码和特征激活处理以得到突出特征正常数据语义嵌入编码激活向量和全局特征正常数据语义嵌入编码激活向局特征正常数据语义嵌入编码激活向量以得到全局一突出特征正常数据语义嵌入编码向所述全局突出特征正常数据语义嵌入编码权重特征向量作为权重，对所述正常数据语义嵌入编码向量的集合进行按位置点乘并加上所述正常数据语义嵌入编码向量的集合以得编码后得到的突出正常数据语义嵌入卷积编码向量输入ReLU函数以得到突出正常数据语数据语义嵌入激活编码特征向量进行点卷积编码后得到的突出点卷积特征向量与第一权后得到的全局正常数据语义嵌入卷积编码向量输入ReLU函数以得到全局正常数据语义嵌语义嵌入激活编码特征向量进行点卷积编码后得到的全局点卷积特征向量与第二权重矩阵进行矩阵相乘以得到所述全局特征正常数据语义嵌入编全局突出特征正常数据语义嵌入编码向量输入tanh函数以得到第一激活全局突出特征正常数据语义嵌入编码向量；将所述全局一突出特征正常数据语义嵌入编码向量输入全局突出特征正常数据语义嵌入编码向量和所述第二激活全局突出特征正常数据语义7算所述查询特征向量与每个所述强化正常数据语义嵌入编码向量之间的逐位置差值以得述数据单向匹配特征向量输入基于分类器的治理结果生成模块以得到所述治据的训练历史治理数据的集合中的各个被标注为正常数据的训练历史治理数据进行语义单向交互匹配模块和所述基于分类器的治理结果[0024]对所述被标注为正常数据的历史治理数据的集合中的各个被标注为正常数据的历史治理数据进行语义嵌入编码以得到正常数据语义所述强化正常数据语义嵌入编码向量的集合输入单向交互匹配模块以得到数据单向匹配8据处理和分析算法来对所述被标注为正常数据的历史治理数据的集合和所述待评估数据[0034]图3为根据本申请实施例的基于机器学习的数据智能治理系统中正常数据语义强[0035]图4为根据本申请实施例的基于机器学习的数据智能治理系统中卷积激活单元的[0036]图5为根据本申请实施例的基于机器学习的数据智能治理系统中数据单项交互模[0037]图6为根据本申请实施例的基于机器学习的数据智能治理系统中训练模块的框[0040]应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，9析算法来对所述被标注为正常数据的历史治理数据的集合和所述待评估数据进行语义嵌根据本申请实施例的基于机器学习的数据智能治理系统的架构示意图。如图1和图2所示，被标注为正常数据的历史治理数据的集合中的各个被标注为正常数据的历史治理数据进史治理数据进行标注和整理得到。注为正常数据的历史治理数据的集合中的各个被标注为正常数据的历史治理数据进行语数据的历史治理数据的集合中的各个被标注为正常数据的历史治理数据中都包含了不同史治理数据进行语义嵌入编码以分别将其转换为密集的正常数据语义嵌入编码向量的集语义嵌入编码处理从而得到正常数据语义嵌入编了可以利用正常数据之间的上下文语义关系和全局的语义信息来进一步增强所述正常数输入基于显著性全局性的上下文语义强化模块以得到强化正常数据语义嵌入编码向量的出全局特征进行非线性的激活处理以更深入地来捕捉融合特征中所隐含的复杂语义信息，并将这些复杂的特征作为权重来对所述正常数据语义嵌入编码向量的集合进行逐向量加单元132，用于提取所述正常数据语义嵌入编码向量的集合中的各个正常数据语义嵌入编出正常数据语义嵌入编码向量和所述全局正常数据语义嵌入编码向量进行卷积编码和特征激活处理以得到突出特征正常数据语义嵌入编码激活向量和全局特征正常数据语义嵌权融合单元136，用于以所述全局一突出特征正常数据语义嵌入编码权重特征向量作为权入编码向量的集合以得到所述强化正常数据语义嵌入编码向卷积编码后得到的突出正常数据语义嵌入卷积编码向量输入ReLU函数以得到突出正常数突出正常数据语义嵌入激活编码特征向量进行点卷积编码后得到的突出点卷积特征向量一维卷积编码后得到的全局正常数据语义嵌入卷积编码向量输入ReLU函数以得到全局正所述全局正常数据语义嵌入激活编码特征向量进行点卷积编码后得到的全局点卷积特征于显著性全局性的上下文语义强化模块以如下语义强化公式对所述正常数据语义嵌入编向量的集合中各个特征向量的最大值和各个特征向量的平均值，Conv(·)为一维卷积编第二权重矩阵，C1和C2分别是所述突出特征正常数据语义嵌入编码激活向量和所述全局特模块首先计算所述查询特征向量和每个强化正常数据语义嵌入编码向量之间的语义相似度以度量待评估数据与每个所述强化正常数据语义嵌入编码向量之间的语义关联匹配程义关联度计算单元161，用于计算所述查询特征向量与所述强化正常数据语义嵌入编码向特征向量与每个所述强化正常数据语义嵌入编码向量之间的逐位置差值以得到数据语义对所述查询特征向量和所述强化正常数据语义嵌入编码向量的集合进行处理以得到数据avi1据正常数据语义关联度的集合中第i个待评估数据正常数据语义关联度，⊙表示按位置[0073]图6为根据本申请实施例的基于机器学习的数据智能治理系统中训练模块的框理数据语义嵌入编码单元220，用于对所述被标注为正常数据的训练历史治理数据的集合中的各个被标注为正常数据的训练历史治理数据进行语义嵌入编码以得到训练正常数据据单向匹配特征生成单元250，用于以所述训练待评估数据语义嵌入编码向量作为查询特训练数据单向匹配特征向量输入所述基于分类器的治理结果生成模块以得到训练治理结示方面会存在相对于所述训练待评估数据语义嵌入编码向量的初始嵌入编码语义特征的常数据语义嵌入编码向量的集合通过单向交互匹配得到的数据单向匹配特征向量的单向练数据单向匹配特征向量的特征值总数目分别除以类内特征数目和类外特征数目以得到据单向匹配本体向量的加权和以得到优化的训练数据单论表示的聚类缩放来确立聚类操作针对所述训练数据单向匹配特征向量的特征集合整体数据处理和分析算法来对所述被标注为正常数据的历史治理数据的集合和所述待评估数[0082]如上所述，根据本申请实施例的基于机器学习的数据智能治理系统100可以实现据本申请实施例的基于机器学习的数据智能治理系统100可以作为一个软件模块和/或硬设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程正常数据的历史治理数据进行语义嵌入编码以得到正常数据语义嵌入编码向量的集合；义嵌入编码向量的集合输入单向交互匹配模块以得到数据单向匹配特征向量作为数据单个步骤的具体操作已经在上面参考图1到图6的基于机器学习的数据智能治理系统的描述据处理和分析算法来对所述被标注为正常数据的历史治理数据的集合和所述待评估数据然本申请已以较佳实施例揭露如上，然而并非用以