[发明专利]一种数据分类方法、装置及电子设备

权利要求书

1.一种数据分类方法，所述方法包括：

获取待分类字段的字段特征，所述字段特征包括以下一项或多项的组合：字段的语义特征、字段的内容特征和字段的统计特征，所述语义特征用于表征字段的语义，所述内容特征用于表征所述字段对应的键值，所述统计特征用于表征与所述字段存在关联关系的字段的标签类别分布情况；

根据预设的字段特征与标签类别的映射关系、以及所述待分类字段的字段特征，确定所述待分类字段的标签类别；

其中，当所述字段特征包括字段的统计特征时，所述获取待分类字段的字段特征，包括：

获取字段访问记录、以及所述待分类字段所处数据库的数据分布情况；

根据所述字段访问记录，确定目标用户访问过的字段的标签类别分布情况，所述目标用户为访问过所述待分类字段的用户；

根据所述数据分布情况，确定目标数据表中字段的标签类别分布情况、以及邻近数据表中字段的标签类别分布情况；所述目标数据表为所述待分类字段所处的数据表，所述邻近数据表为与所述目标数据表相邻的数据表；

将所述目标用户访问过的字段的标签类别分布情况、所述目标数据表中字段的标签类别分布情况、以及所述邻近数据表中字段的标签类别分布情况中的至少一项，作为统计特征。

2.根据权利要求1所述的方法，所述根据预设的字段特征与标签类别的映射关系、以及所述待分类字段的字段特征，确定所述待分类字段的标签类别之后，所述方法还包括：

根据预设的标签类别与字段敏感级别的映射关系、以及所述待分类字段的标签类别，确定所述待分类字段的敏感级别。

3.根据权利要求1所述的方法，所述根据预设的字段特征与标签类别的映射关系、以及所述待分类字段的字段特征，确定所述待分类字段的标签类别之前，所述方法还包括：

获取训练样本集，所述训练样本集中包括用于训练模型的训练样本，所述训练样本为标签类别已知的字段；

获取所述训练样本集中训练样本的字段特征；

根据特定决策树算法，对所述训练样本的字段特征和标签类别进行训练，得到预测模型，所述预测模型用于表征字段特征与标签类别的映射关系。

4.根据权利要求3所述的方法，所述根据预设的字段特征与标签类别的映射关系、以及所述待分类字段的字段特征，确定所述待分类字段的标签类别，包括：

将所述待分类字段的字段特征输入到所述预测模型，得到所述待分类字段相对于各标签类别的得分；

将得分大于预设分数阈值的标签类别，确定为所述待分类字段的标签类别。

5.根据权利要求1所述的方法，所述字段特征包括：字段的内容特征；

所述获取待分类字段的字段特征，包括：

获取所述待分类字段对应的内容；

利用正则表达式，识别所述待分类字段对应的内容中证件号类型的内容；

确定所述待分类字段对应的内容的字段类型；

计算所述待分类字段对应的内容的分布特征；

将所识别出的内容、所述字段类型、以及所述分布特征中的至少一项，作为内容特征。

6.根据权利要求1所述的方法，所述字段特征包括：字段的语义特征；

所述获取待分类字段的字段特征，包括：

对所述待分类字段进行分词处理，得到所述待分类字段的第一词汇集；

对所述第一词汇集进行词频统计、去停用词、去重复词处理，得到第二词汇集；

根据word2vect模型和所述第二词汇集，确定所述待分类字段的语义特征。

7.根据权利要求3或4所述的方法，所述特定决策树算法，包括：随机森林算法、或梯度提升决策树算法。