CN119416004A 适用于oa系统的数据分类处理动态优化方法及相关产品 （四川省水网信息科技有限责任公司）

适用于OA系统的数据分类处理动态优化方种适用于OA系统的数据分类处理动态优化方法引入多模态数据的特定特征提取策略与格式标2分类规则生成：根据用户定义的分类需求和结构化数据，数据分类执行：根据分类规则库对结构化数据分配分类任务，利2.根据权利要求1所述的一种适用于OA系统的数据分类处理动态优化方法，其特征在根据原始数据的类型自动提取特征；文本数据提取关键词特征或语对提取的特征进行异常值移除和缺失值填充，获得清洗后的3.根据权利要求2所述的一种适用于OA系统的数据分类处理动态优化方法，其特征在对输入的原始数据进行统一格式处理，原始数据为未经处理的多通过TF_IDF和句向量模型对文本数据进行特征向量提取，获得文本数 通过多尺度边缘检测和卷积神经网络对图片数据进行特征向量i的特征向量t,其中，为通过多尺度边缘检通过关键帧提取和3D卷积网络对视频数据v进行特征向量提取的边缘特征，3D-CNN(V)为基于时间序列特征的3D卷积网络提取的深度特征，和34.根据权利要求1所述的一种适用于OA系统的数据分类处理动态优化方法，其特征在利用自然语言处理技术将用户需求转换为分类条件conditiony和分类结果categorv:；R0={r,r'2,…,TP}，其中，RO为初始规则集合,为第s条分类规则x为输入特征；通过依存句法分析构建表示规则间的关联性和条件一致性的规则逻辑定义状态空间，状态为规则集合在第次迭代中的当前状态；consistency(T,)为规则逻辑关系树的内在一致性；R(s,e,)=a1·Accuracy(B,)-ag·complexity(RB)+ag-consisteney(2,)，其中，、合R+1通过奖励函数R(s,ay)判断动作，选择奖励函数值最高的动作作为最优动作对规5.根据权利要求1所述的一种适用于OA系统的数据分类处理动态优化方法，其特征在于其中，为规则条件condition;的复杂度；,condition;为第9次分类收敛条件包括：分类准确率Accuracy(B,)=Auger，Aarget为用户提供的分类准确4逻辑关系树内在一致性complexity(z,)高于设定阈值；规则复杂度complexity(1;)最小化。6.根据权利要求1所述的一种适用于OA系统的数据分类处理动态优化方法，其特征在针对不同数据类型构建不同的分类模型，并将已有数据构建的特征向量v;对应语义分类模型，图片数据i的特征向量t,对应基于深度学习的图像分类模型，视频数据v的特征向量fv对应时间序D=(VE,fv}，将每条数据与对应的分类规则建立7.根据权利要求1所述的一种适用于OA系统的数据分类处理动态优化方法，其特征在的修正；得优化分类规则库R**；;5为损失函数的梯度；8.根据权利要求7所述的一种适用于OA系统的数据分类处理动态优化方法，其特征在确定规则误差权重其中，为误分类样本中由规则错Isali为总误分类样本数；:的当前分类阈值；sign(z;-Threshold,)为误分类样本与当前阈9.一种计算机可读存储介质，所述计算机可读存储介质存于，所述计算机程序被处理器执行时实现如权利要求1_8中任一项所述的适用于OA系统的处理器执行时实现如权利要求1_8中任意一项所述的适用于OA系统的数据分类处理动态优6方法在面对多模态数据时存在显著的局限性。固定规则库无法有效适应数据特征的变化，导致分类精度降低。而基于预训练模型的分类方法则由于缺乏对用户需求的实时响应能户反馈进行在线学习的机制。这使得分类系统难以及时纠正错误分类或优化分类模型参7通过TF_IDF和句向量模型对文本数据数据i的特征向量t,其中，为通过多尺度边键帧R;的边缘特征，3D-CNN(V)为基于时间序列特征的3D卷积网络提取的深度特征，和为权重参数；利用自然语言处理技术将用户需求转换为分类条件conditiony和分类结果;根据分类需求构建逻辑规则集合：R0={r,r'2,…,TP}，其中，RO为初始规则集8通过依存句法分析构建表示规则间的关联性和条件一致性的规则逻辑consistency(T,)为规则逻辑关系树的内在一致性；q,为第个的修改动作；规则集合R+1通过奖励函数R(s,ay)判断动作，选择奖励函数值最高的动作作为最优动作为规则条件condition;的复杂度；,condition;为第9次收敛条件包括：分类准确率Accuracy(B,)=Auger，Aarget为用户提供的分类逻辑关系树内在一致性complexity(z,)高于设定阈值；规则复杂度complexity(1;)最小化。9i的特征向量t,对应基于深度学习的图像分类模型，视频数据v的特征向量fv对应时确定分类规则库R*，并解析规则集合中的逻辑关系树，匹配结构化数据D=(VE,fv}，将每条数据与对应的分类规则建立利用分类规则中的逻辑条件为结构化数据中的不同类型数据分配适配的分类模对结构化数据中的每条数据，通过分类模型计算分类结果得优化分类规则库R**；;为损失函数的梯度；确定规则误差权重其中，为误分类样本中由规则Isali为总误分类样本数；:的当前分类阈值；sign(z;-Threshold,)为误分类样本与当前阈算机程序被处理器执行时实现如上所述的适用于OA系统的数据分[0019]附图示出了本发明的示例性实施方式，并与其说明一起[0020]图1是根据本发明所述的适用于OA系统的数据分类处理动态优化方法的流程示意片数据通过使用双线性插值算法进行图像缩放的分辨率调整函数统一标准化为目标分辨数据i的深度学习模型，提取视频帧序列的时间序列特征。获取视频数据v的特征向量fv，,其中，为第个关键帧的边缘特征，3D-CNN(V)为基于时间序列特征的3D卷积网络提取的深度特征，和为权重利用自然语言处理技术将用户需求（用户提供的自然语言）转换为分类条件conditiony和分类结果category:；分类条件为定义数据需要满足的属性特征或阈值范围，R0={r,r'2,…,TP}，其中，RO为初始规则集通过依存句法分析构建表示规则间的关联性和条件一致性的规则逻辑关系树,condition;为第9次分类条件，conditiony为第次分类条件，ic-)为一致性指示函数，用于判断condition;和是否兼容。Acuracy(R,)为通过交叉验算计算的分类准确率，complexity(T,)为规则逻辑关系树的内在一致性，complexity(z,)为规则复杂度，,其中，为规则条件的复杂度。[0057]定义动作空间表示对规则集合进行调整的操作集动作Qn率、逻辑一致性和规则复杂度，即设计评价每次动作对规则集合的影响的奖励函数R(s,ay)，R(s,o,)-a1-Accuracy(R,)-oz:complex规则集合R+1通过奖励函数R(s,ay)判断动作，选择奖励函数值最高的动作作为最优动作逻辑关系树内在一致性complexity(T,)高于设定阈值；规则复杂度complexity(z,)最小化。[0062]实施例四，本发明的数据分类执行方法通过构建适配不[0064]图片数据的特征向量对应基于深度学习的图像分类模型，其为使用基于深[0065]视频数据v的特征向量fv对应时间序列分类模型；其为使用时间序列分类模型（如3D_CNN或LSTM3D_CNN模型同时处理视频的空间特征和时间特动态视频分类任务。[0067]利用分类规则中的逻辑条件为结构化数据中的不同类型数据分配适配的分类模得优化分类规则库R**；;为损失函数的梯度；确定规则误差权重其中，为误分类样本中由规则度。值调整的步长，数值较大时调整幅度更大；Threshold;为规则的当前分类阈值；sign(r;-Threshold,)为误分类样本与当前阈值的偏离方向，介质包括以用于存储诸如计算机可读指令数据结构,程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移