一种自动聚类的调证数据快速识别方法和系统与流程

1.本发明属于调证数据分析的技术领域，具体涉及一种自动聚类的调证数据快速识别方法和系统。


背景技术：

2.调证数据(调单数据)是数据分析领域主要的分析内容，调证数据无论是文件格式还是数据内容格式，都是差异性较大且杂乱无章的。
3.目前调证数据导入没有特别成熟的高效方案，因为调证数据太过于杂乱，格式各异；例如银行类的调单数据，五大行的调单数据，由于五大行之间平台系统的差异，导出的调单数据格式每家银行的都不一样，再加上商业银行以及地方银行各家的银行平台差异性，以及不同地方使用的银行系统版本的差异性，导出的调单数据的种类保守估计过万；办案人员在调查取证过程中可能会获取多家银行多个嫌疑人的调单数据，当这些数据全部汇聚给案件分析人员的时候，分析人员通常不知如何下手，目前主流的调证数据导入方式有以下几种方式：
4.1、按照系统提供的模板进行导入；
5.此类方法是比较传统的做法，也就是系统只识别系统本身提供的模板，用户需要把原始文件转成系统模板的格式再导入；这种情况应对少量且格式相同的文件，都能很轻松的完成导入，如果是面对一堆复杂的调单数据的时候，工作量过大。
6.2、系统提前预置模板并让用户选择对应模板导入；
7.此类方法相当于按照用户拿到的原始文件提前配置了模板，客户需要选择具体的模板并将对应的文件上传；此类方法在文件种类少的情况下能较快的完成导入，如果是文件量和文件种类过多，用户需要筛选分类，然后一个模板一个模板选择上传，工作量也很巨大。
8.3、按照数据类型中的标题，筛选文件中的表头并进行字段匹配；
9.此类方法能够做一键化的识别，不管什么数据整个进行导入，通过提前预置的数据类型和字段名称去文件内容进行匹配，当字段量匹配到一定程度则认为该文件属于此类数据类型；这种方式在对应规整的数据的时候比较高效，但是当文件内容有标题行或者需要从一些开头内容提取关键信息的时候，就会丢失数据，此外也不能很好的识别分段式文件，分段式文件是指在统一文件中表头出现多次，并且表头可能是不同的数据类型，也可能是相同数据类型的文件。
10.有鉴于此，提出一种自动聚类的调证数据快速识别方法和系统是非常具有意义的。


技术实现要素：

11.为了解决现有调证数据存在导入效率低、工作量大等问题，本发明提供一种自动聚类的调证数据快速识别方法和系统，以解决上述存在的技术缺陷问题。
12.第一方面，本发明提出了一种自动聚类的调证数据快速识别方法，该方法包括如下步骤：
13.响应于建立xml语言的自定义标签的模板库；
14.基于建立的所述模板库进行语料库的提取；
15.将待导入文件基于提取的所述语料库进行文件tf-idf特征计算并提取特征，并将相同特征的文件分为一类，完成文件的自动分类；
16.进一步进行文件模板的匹配，若匹配到模板则将匹配结果进行入库操作，否则结束。
17.优选的，建立基于xml语言的自定义标签的模板库包括：依据原始文件的格式和内容制定该类文件的解析、识别以及清洗的规则，模板的属性具体包括：
18.文件属性，包含文件的格式，文件解析程序；
19.工作表，代表文件中的一个工作表；
20.分段，代表工作表中的一种数据类型的内容，分段定义是为了支持多段文件；
21.标准资源编码，标识一段内容属于哪种数据类型；字段映射配置，配置原始字段和标准字段的映射关系；
22.清洗规则配置，配置一些清洗处理规则，如日期格式化，标准化转换。
23.进一步优选的，完成文件的自动分类包括：
24.将待识别导入的一批文件依据文件特征值进行自动分类，相同特征值的文件归为一类文件，一类文件只需一类文件中的一个文件进行一次模板匹配后，其他同类的文件可以直接复用匹配结果，以减少文件的模板匹配次数，提升匹配性能。
25.进一步优选的，还包括：依据模板库中的字段映射配置属性作为语料库，计算文件的tf-idf特征，提取idf作为特征字符并计算md5，将idf md5值相同的文件归类为一类文件。
26.进一步优选的，文件自动分类流程具体包括：
27.添加文件数据集f＝{f1，f2,
…
fn}，此数据集包含n个待识别文件，遍历并解析和抽样获取每个文件的抽样数据子集fs＝{s1,s2,
…
sn}；
28.遍历fs，获取每个文件抽样数据的tf值，tf代表每个词在文件中出现的频率，tf的计算公式如下：其中n
i,j
是该词语在文件中出现的总次数，分母是该文件所有词汇次数总和，计算后得到了每个文件的tf值集合tfs＝{tf
s1
,tf
s2
,tf
s3
,
…
tf
sn
}；
29.计算模板库的语料词集合，抽取模板库中的字段映射配置并将原始字段名抽取作为语料库，ld＝{t1,t2,t3,
…
tn}；
30.遍历tfs集合，将ld语料库代入，计算每个文件的idf值，idf的计算公式如下：其中|d|是语料库的文件总数，|{j:ti∈dj}|表示包含词语ti的文件数目；遍历计算tfs集合后得到了每个文件的idf集合idfs＝{idf
s1
,idf
s2
,idf
s3
,
…
idf
sn
}；
31.遍历idfs集合，将集合中每个元素中idf值为无穷大的词进行过滤，过滤后将剩余的词按assicii码排序，将排好序的词进行拼接并计算md5值，该md5值则作为了该文件的分
类特征，表示好分类特征的文件数据集，表示如下：fs＝{fs1，fs2,
…
fsn}；
32.遍历fs集合，按照每个元素的特征值进行聚合操作，将特征值相同的文件标识为一类文件，聚合后的fs集合表示如下:fsg＝{{fs1,fs3,
…
fsm}，{fs2,fs5,
…
fsn},{fs10,fs31,
…
fsx}}；
33.得到了自动分类后的集合fsg。
34.进一步优选的，文件模板匹配流程具体包括：
35.将分类好的文件集载入，fsg＝{{fs1,fs3,
…
fsm}，{fs2,fs5,
…
fsn},{fs10,fs31,
…
fsx}}，并遍历每个子集合的第一个元素，取出每个子集合第一个元素的idf特征值查询命中缓存，如果有命中结果则直接返回结果，没有结果则进行下一步骤；
36.获取模板库中的所有模板，并按照待匹配文件的idf特征值提取出的特征字符串对可能适配这个文件的模板进行筛选，然后用筛选过后的少量模板与待匹配文件进行匹配；
37.使用上一步骤筛选后的模板与分类子文件集的第一个元素进行匹配，匹配后无论是否有对应的匹配模板，都将匹配结果按照文件idf特征的md5值进行匹配结果缓存，后续如果有同特征值的文件进来将直接使用该类文件的匹配结果，不用再匹配一次模板库。
38.第二方面，本发明实施例还提供一种自动聚类的调证数据快速识别系统，该系统具体包括：
39.模板库模块，用于响应于建立xml语言的自定义标签的模板库；
40.语料库模块，用于基于建立的所述模板库进行语料库的提取；
41.特征计算与提取模块，用于将待导入文件基于提取的所述语料库进行文件tf-idf特征计算并提取特征；
42.自动分类模块，用于将相同特征的文件分为一类，完成文件的自动分类；
43.匹配模块，用于进行文件模板的匹配，若匹配到模板则将匹配结果进行入库操作，否则结束。
44.第三方面，本发明实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
45.第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
46.与现有技术相比，本发明的有益成果在于：
47.(1)本发明的技术方案针对大量复杂的文件数据导入情况下重复人力工作较多的问题，提出一种基于扩展标签模板库，同时依赖语料库完成待识别文件的特征值计算，从而完成文件集的自动分类，依托自动分类和特征值结果缓存技术，实现大量复杂文本文件的自动识别和导入的算法和完整系统解决方案，大大提升了模板识别速度和性能，该系统在不依赖并行和集群计算的情况下，甚至运行在普通pc机上也能实现较高性能的识别和匹配效果。
48.(2)随着文件数的增多，普通匹配算法耗时成倍数增大，本方案的算法耗时随着文件数量和分类增大耗时并没有显著增加；此外本方案在普通机器上也能获得较高识别性能，针对于大量且有数据内容格式雷同的文件，本方案的识别性能较高；如果是大量且每种
文件的数据格式都不同，本方案的匹配性能相对于普通没有使用本算法的匹配效果，相差不是特别大。
附图说明
49.包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点，因为通过引用以下详细描述，它们变得被更好地理解。附图的元件不一定是相互按照比例的。同样的附图标记指代对应的类似部件。
50.图1是本发明的一个实施例可以应用于其中的示例性装置架构图；
51.图2为本发明的实施例的自动聚类的调证数据快速识别方法的流程示意图；
52.图3为本发明的实施例的自动聚类的调证数据快速识别方法的整体流程示意图；
53.图4为本发明的实施例的自动聚类的调证数据快速识别方法中文件自动分类的流程示意图；
54.图5为本发明的实施例的自动聚类的调证数据快速识别方法中文件模板匹配的流程示意图；
55.图6为本发明的实施例的自动聚类的调证数据快速识别方法的实验测试结果图；
56.图7为本发明的实施例的自动聚类的调证数据快速识别系统结构示意图；
57.图8是适于用来实现本发明实施例的电子设备的计算机装置的结构示意图。
具体实施方式
58.在以下详细描述中，参考附图，该附图形成详细描述的一部分，并且通过其中可实践本发明的说明性具体实施例来示出。对此，参考描述的图的取向来使用方向术语，例如“顶”、“底”、“左”、“右”、“上”、“下”等。因为实施例的部件可被定位于若干不同取向中，为了图示的目的使用方向术语并且方向术语绝非限制。应当理解的是，可以利用其他实施例或可以做出逻辑改变，而不背离本发明的范围。因此以下详细描述不应当在限制的意义上被采用，并且本发明的范围由所附权利要求来限定。
59.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
60.图1示出了可以应用本发明实施例的用于处理信息的方法或用于处理信息的装置的示例性系统架构100。
61.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
62.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
63.终端设备101、102、103可以是具有通信功能的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103发送的校验请求信息进行处理的后台信息处理服务
器。后台信息处理服务器可以对接收到的校验请求信息进行分析等处理，并得到处理结果(例如用于表征校验请求为合法请求的校验成功信息)。
64.需要说明的是，本发明实施例所提供的用于处理信息的方法一般由服务器105执行，相应地，用于处理信息的装置一般设置于服务器105中。另外，本发明实施例所提供的用于发送信息的方法一般由终端设备101、102、103执行，相应地，用于发送信息的装置一般设置于终端设备101、102、103中。
65.需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或多个软件模块，在此不做具体限定。
66.图2示出了本发明的实施例公开了一种自动聚类的调证数据快速识别方法，如图2和图3所示，该方法包括如下步骤：
67.s1、响应于建立xml语言的自定义标签的模板库；
68.具体的，本发明中的模板库是指依据原始文件的格式和内容制定该类文件的解析，识别，清洗等处理方式；模板是一键化识别和导入的前提，只有文件匹配到对应的模板后程序才能依据模板的配置自动构造出解析文件的方法，相对于传统的简单的表头字段模板，本发明对模板库的定义和构成做了扩充，主要包含内容如下表：
[0069][0070][0071]
扩充后的模板属性能定义一种文件的具体识别和解析方式，收集通用的原始文件并按照各个属性配置并不断扩充模板库，是模板库形成一定规模，基本涵盖所有常用的文件解析方式。
[0072]
s2、基于建立的所述模板库进行语料库的提取；
[0073]
s3、将待导入文件基于提取的所述语料库进行文件tf-idf特征计算并提取特征，并将相同特征的文件分为一类，完成文件的自动分类；
[0074]
具体的，文件分类的作用是将待识别导入的一批文件依据文件特征值进行自动分类，相同特征值的文件归为一类文件，一类文件只需一类文件中的一个文件进行一次模板匹配后，其他同类的文件可以直接复用匹配结果，从而减少文件的模板匹配次数，提升匹配性能。
[0075]
本发明依据模板库中的字段映射配置属性作为语料库，计算文件的tf-idf特征(tf-idf是一种统计方法，用于评估一个词对于一个文件或者一个语料库的重要程度)，提取idf作为特征字符并计算md5，将idf md5值相同的文件归类为一类文件，如图4所示，具体
步骤如下：
[0076]
s31：添加文件数据集f＝{f1，f2,
…
fn}，此数据集包含n个待识别文件，遍历并解析和抽样获取每个文件的抽样数据子集fs＝{s1,s2,
…
sn}；
[0077]
s32：遍历fs，获取每个文件抽样数据的tf值，tf代表每个词在文件中出现的频率，tf的计算公式如下：其中n
i,j
是该词语在文件中出现的总次数，分母是该文件所有词汇次数总和，计算后得到了每个文件的tf值集合tfs＝{tf
s1
,tf
s2
,tf
s3
,
…
tf
sn
}；
[0078]
s33：计算模板库的语料词集合，抽取模板库中的字段映射配置并将原始字段名抽取作为语料库，ld＝{t1,t2,t3,
…
tn}；
[0079]
s34：遍历tfs集合，将ld语料库代入，计算每个文件的idf值，idf的计算公式如下其中|d|是语料库的文件总数，|{j:ti∈dj}|表示包含词语ti的文件数目；遍历计算tfs集合后得到了每个文件的idf集合idfs＝{idf
s1
,idf
s2
,ldf
s3
,
…
idf
sn
}；
[0080]
s35：遍历idfs集合，将集合中每个元素中idf值为无穷大的词进行过滤，过滤后将剩余的词按照assicii码排序，将排好序的词进行拼接并计算md5值，该md5值则作为了该文件的分类特征，表示好分类特征的文件数据集表示如下：fs＝{fs1，fs2,
…
fsn}；
[0081]
s36：遍历fs集合，按照每个元素的特征值进行聚合操作，将特征值相同的文件标识为一类文件，聚合后的fs集合表示如下:fsg＝{{fs1,fs3,
…
fsm}，{fs2,fs5,
…
fsn},{fs10,fs31,
…
fsx}}；
[0082]
至此，集合fs的自动分类步骤完成，经过上述步骤后得到了自动分类后的集合fsg。
[0083]
s4、进一步进行文件模板的匹配，若匹配到模板则将匹配结果进行入库操作，否则结束。
[0084]
进一步的，文件自动分类步骤完成后就可以进行模板识别匹配的步骤了，匹配主要流程如图5所示：
[0085]
s41、将s32分类好的文件集载入，fsg＝{{fs1,fs3,
…
fsm}，{fs2,fs5,
…
fsn},{fs10,fs31,
…
fsx}}，并遍历每个子集合的第一个元素，取出每个子集合第一个元素的idf特征值查询命中缓存，如果有命中结果则直接返回结果，没有结果进行s42；
[0086]
s42、获取模板库中的所有模板，并按照待匹配文件的idf特征值提取出的特征字符串对可能适配这个文件的模板进行筛选，经过此步骤过滤后的模板数量相对于整个模板库的模板数量级会非常少，然后用筛选过后的少量模板与待匹配文件进行匹配，匹配速度会大大提高；扩展到整个文件集，整体的匹配性能也会大幅提高；
[0087]
s43、使用s42筛选后的模板与分类子文件集的第一个元素进行匹配，匹配后无论是否有对应的匹配模板，都将匹配结果按照文件idf特征的md5值进行匹配结果缓存，后续如果有同特征值的文件进来将直接使用该类文件的匹配结果，不用再匹配一次模板库。
[0088]
具体的，在本实施例中，在内存为8g，处理器型号为intel core i5-7400的普通pc机器进行实验，实验结果如图6所示，待测试文件分组如下表：
[0089][0090]
实验结论：从实验图表来看随着文件数的增多，普通匹配算法耗时成倍数增大，本发明方案的算法耗时随着文件数量和分类增大耗时并没有显著增加。此外本方案在普通机器上也能获得较高识别性能，针对于大量且有数据内容格式雷同的文件，本方案的识别性能较高；如果是大量且每种文件的数据格式都不同，本方案的匹配性能相对于普通没有使用本算法的匹配效果，相差不是特别大。
[0091]
本发明的技术方案针对大量复杂的文件数据导入情况下重复人力工作较多的问题，提出一种基于扩展标签模板库，同时依赖语料库完成待识别文件的特征值计算，从而完成文件集的自动分类，依托自动分类和特征值结果缓存技术，实现大量复杂文本文件的自动识别和导入的算法和完整系统解决方案，该系统在不依赖并行和集群计算的情况下，甚至运行在普通pc机上也能实现较高性能的识别和匹配效果。
[0092]
本发明提出一种快速模板匹配算法，当模板库积累到上千个模板的时候，一批文件进行识别的耗时会成倍增加，假设一个文件的识别速度是5s左右(系统实测的经验平均值)，同时上传500个文件需要耗时50分钟左右，光识别匹配过程就耗费将近一个小时；本方案提出的快速匹配算法以tf-idf特征值为基础并稍作变换，将系统积累的模板库作为语料库按照文件计算每个文件的特征值，并根据文件特征值进行自动分类，同一类文件只匹配一次模板库，此外根据模板特征值能够进行模板库的匹配范围筛选，将一类文件的匹配模板数量降至最低，假设系统1000个模板，一个文件需要匹配1000个文件之后才能判断该文件属于哪个模板，利用tf-idf特征进行模板范围筛选后，一个文件只需要匹配10个以内的模板就可以完成一次匹配；综上通过模板语料库的tf-idf特征聚类以及模板匹配范围筛选，大大提升了模板识别速度和性能。
[0093]
第二方面，本发明的实施例还公开一种自动聚类的调证数据快速识别系统，如图7所示，该系统具体包括：模板库模块71，语料库模块72，特征计算与提取模块73，自动分类模块74以及匹配模块75。
[0094]
在具体实施例中，模板库模块71，用于响应于建立xml语言的自定义标签的模板库；语料库模块72，用于基于建立的所述模板库进行语料库的提取；特征计算与提取模块73，用于将待导入文件基于提取的所述语料库进行文件tf-idf特征计算并提取特征；自动分类模块74，用于将相同特征的文件分为一类，完成文件的自动分类；匹配模块75，用于进行文件模板的匹配，若匹配到模板则将匹配结果进行入库操作，否则结束。
[0095]
下面参考图8，其示出了适于用来实现本发明实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置800的结构示意图。图8示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0096]
如图8所示，计算机装置800包括中央处理单元(cpu)801和图形处理器(gpu)802，其可以根据存储在只读存储器(rom)803中的程序或者从存储部分809加载到随机访问存储
器(ram)806中的程序而执行各种适当的动作和处理。在ram 804中，还存储有装置800操作所需的各种程序和数据。cpu 801、gpu802、rom 803以及ram 804通过总线805彼此相连。输入/输出(i/o)接口806也连接至总线805。
[0097]
以下部件连接至i/o接口806：包括键盘、鼠标等的输入部分807；包括诸如、液晶显示器(lcd)等以及扬声器等的输出部分808；包括硬盘等的存储部分809；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分810。通信部分810经由诸如因特网的网络执行通信处理。驱动器811也可以根据需要连接至i/o接口806。可拆卸介质812，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器811上，以便于从其上读出的计算机程序根据需要被安装入存储部分809。
[0098]
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分810从网络上被下载和安装，和/或从可拆卸介质812被安装。在该计算机程序被中央处理单元(cpu)801和图形处理器(gpu)802执行时，执行本发明的方法中限定的上述功能。
[0099]
需要说明的是，本发明所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。计算机可读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。在本发明中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读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、电线、光缆、rf等等，或者上述的任意合适的组合。
[0100]
可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0101]
附图中的流程图和框图，图示了按照本发明各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代
表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0102]
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
[0103]
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：响应于建立xml语言的自定义标签的模板库；基于建立的所述模板库进行语料库的提取；将待导入文件基于提取的所述语料库进行文件tf-idf特征计算并提取特征，并将相同特征的文件分为一类，完成文件的自动分类；进一步进行文件模板的匹配，若匹配到模板则将匹配结果进行入库操作，否则结束。
[0104]
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

技术特征：
1.一种自动聚类的调证数据快速识别方法，其特征在于，该方法包括如下步骤：响应于建立xml语言的自定义标签的模板库；基于建立的所述模板库进行语料库的提取；将待导入文件基于提取的所述语料库进行文件tf-idf特征计算并提取特征，并将相同特征的文件分为一类，完成文件的自动分类；进一步进行文件模板的匹配，若匹配到模板则将匹配结果进行入库操作，否则结束。2.根据权利要求1所述的自动聚类的调证数据快速识别方法，其特征在于，建立基于xml语言的自定义标签的模板库包括：依据原始文件的格式和内容制定该类文件的解析、识别以及清洗的规则，模板的属性具体包括：文件属性，包含文件的格式，文件解析程序；工作表，代表文件中的一个工作表；分段，代表工作表中的一种数据类型的内容，分段定义是为了支持多段文件；标准资源编码，标识一段内容属于哪种数据类型；字段映射配置，配置原始字段和标准字段的映射关系；清洗规则配置，配置一些清洗处理规则，如日期格式化，标准化转换。3.根据权利要求2所述的自动聚类的调证数据快速识别方法，其特征在于，完成文件的自动分类包括：将待识别导入的一批文件依据文件特征值进行自动分类，相同特征值的文件归为一类文件，一类文件只需一类文件中的一个文件进行一次模板匹配后，其他同类的文件可以直接复用匹配结果，以减少文件的模板匹配次数，提升匹配性能。4.根据权利要求3所述的自动聚类的调证数据快速识别方法，其特征在于，还包括：依据模板库中的字段映射配置属性作为语料库，计算文件的tf-idf特征，提取idf作为特征字符并计算md5，将idf md5值相同的文件归类为一类文件。5.根据权利要求4所述的自动聚类的调证数据快速识别方法，其特征在于，文件自动分类流程具体包括：添加文件数据集f＝{f1，f2,
…
fn}，此数据集包含n个待识别文件，遍历并解析和抽样获取每个文件的抽样数据子集fs＝{s1,s2,
…
sn}；遍历fs，获取每个文件抽样数据的tf值，tf代表每个词在文件中出现的频率，tf的计算公式如下：其中n
i,j
是该词语在文件中出现的总次数，分母是该文件所有词汇次数总和，计算后得到了每个文件的tf值集合tfs＝{tf
s1
,tf
s2
,tf
s3
,
…
tf
sn
}；计算模板库的语料词集合，抽取模板库中的字段映射配置并将原始字段名抽取作为语料库，ld＝{t1,t2,t3,
…
tn}；遍历tfs集合，将ld语料库代入，计算每个文件的idf值，idf的计算公式如下：其中|d|是语料库的文件总数，|{j:t
i
∈d
j
}|表示包含词语t
i
的文件数目；遍历计算tfs集合后得到了每个文件的idf集合idfs＝{idf
s1
,idf
s2
,idf
s3
,
…
idf
sn
}；遍历idfs集合，将集合中每个元素中idf值为无穷大的词进行过滤，过滤后将剩余的词
按assicii码排序，将排好序的词进行拼接并计算md5值，该md5值则作为了该文件的分类特征，表示好分类特征的文件数据集，表示如下：fs＝{fs1，fs2,
…
fsn}；遍历fs集合，按照每个元素的特征值进行聚合操作，将特征值相同的文件标识为一类文件，聚合后的fs集合表示如下:fsg＝{{fs1,fs3,
…
fsm}，{fs2,fs5,
…
fsn},{fs10,fs31,
…
fsx}}；得到了自动分类后的集合fsg。6.根据权利要求5所述的自动聚类的调证数据快速识别方法，其特征在于，文件模板匹配流程具体包括：将分类好的文件集载入，fsg＝{{fs1,fs3,
…
fsm}，{fs2,fs5,
…
fsn},{fs10,fs31,
…
fsx}}，并遍历每个子集合的第一个元素，取出每个子集合第一个元素的idf特征值查询命中缓存，如果有命中结果则直接返回结果，没有结果则进行下一步骤；获取模板库中的所有模板，并按照待匹配文件的idf特征值提取出的特征字符串对可能适配这个文件的模板进行筛选，然后用筛选过后的少量模板与待匹配文件进行匹配；使用上一步骤筛选后的模板与分类子文件集的第一个元素进行匹配，匹配后无论是否有对应的匹配模板，都将匹配结果按照文件idf特征的md5值进行匹配结果缓存，后续如果有同特征值的文件进来将直接使用该类文件的匹配结果，不用再匹配一次模板库。7.一种自动聚类的调证数据快速识别系统，其特征在于，该系统具体包括：模板库模块，用于响应于建立xml语言的自定义标签的模板库；语料库模块，用于基于建立的所述模板库进行语料库的提取；特征计算与提取模块，用于将待导入文件基于提取的所述语料库进行文件tf-idf特征计算并提取特征；自动分类模块，用于将相同特征的文件分为一类，完成文件的自动分类；匹配模块，用于进行文件模板的匹配，若匹配到模板则将匹配结果进行入库操作，否则结束。8.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至6中任一所述的方法。9.一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，该程序被处理器执行时实现如权利要求1至6中任一所述的方法。

技术总结
本发明提出了一种自动聚类的调证数据快速识别方法，该方法包括如下步骤：响应于建立XML语言的自定义标签的模板库；基于建立的所述模板库进行语料库的提取；将待导入文件基于提取的所述语料库进行文件TF-IDF特征计算并提取特征，并将相同特征的文件分为一类，完成文件的自动分类；进一步进行文件模板的匹配，若匹配到模板则将匹配结果进行入库操作，否则结束。提出一种基于扩展标签模板库，同时依赖语料库完成待识别文件的特征值计算，从而完成文件集的自动分类，依托自动分类和特征值结果缓存技术，实现大量复杂文本文件的自动识别和导入的算法和完整系统解决方案，大大提升了模板识别速度和性能。板识别速度和性能。板识别速度和性能。


技术研发人员：邢磊 姚志强 张磊 陈汀 连洲红 白帆
受保护的技术使用者：厦门市美亚柏科信息股份有限公司
技术研发日：2023.03.07
技术公布日：2023/7/11