[发明专利]基于监督学习的分类方法、装置、设备及存储介质

权利要求书

1.一种基于监督学习的分类方法，其特征在于，包括：

获取待分类的运维文件；

在所述运维文件中提取目标运维文件，所述目标运维文件的文件格式符合预设格式；

将所述目标运维文件输入到已训练的运维文件分类模型中进行处理，得到所述目标运维文件对应的分类结果，所述运维文件分类模型是采用监督学习，基于支持向量机对样本训练集进行训练得到的；

对所述分类结果进行聚类操作，得到聚类集合；

根据所述聚类集合显示所述目标运维文件，以及所述目标运维文件对应的分类结果。

2.如权利要求1所述的分类方法，其特征在于，所述在所述运维文件中提取目标运维文件，包括：

获取预设的文件扫描程序；

采用所述文件扫描程序对所述运维文件进行扫描处理，得到所述目标运维文件。

3.如权利要求1所述的分类方法，其特征在于，所述在所述运维文件中提取目标运维文件，包括：

获取预设的文件扫描程序；

采用所述文件扫描程序对所述运维文件进行扫描处理，得到初始运维文件；

对所述初始运维文件进行去重处理，得到所述目标运维文件。

4.如权利要求1所述的分类方法，其特征在于，所述将所述目标运维文件输入到已训练的运维文件分类模型中进行处理，得到所述目标运维文件对应的分类结果，包括：

获取所述目标运维文件对应的文本内容；

采用所述运维文件分类模型，提取所述文本内容对应的文本向量特征；

对所述文本向量特征进行分类，得到所述分类结果。

5.如权利要求4所述的分类方法，其特征在于，所述采用所述运维文件分类模型，提取所述文本内容对应的文本向量特征，包括：

对所述文本内容进行分词处理，得到多个分词；

采用所述运维文件分类模型对每个分词进行映射处理，得到每个分词对应的词向量特征；

拼接每个分词对应的词向量特征，得到所述文本向量特征。

6.如权利要求1所述的分类方法，其特征在于，所述将所述目标运维文件输入到已训练的运维文件分类模型中进行处理，得到所述目标运维文件对应的分类结果之前，所述分类方法还包括：

获取所述样本训练集，所述样本训练集包括多个样本文件，以及每个样本文件对应的样本分类结果；

基于所述样本训练集对所述支持向量机进行训练，并基于训练结果更新所述支持向量机的参数；

当检测到所述支持向量机对应的损失函数收敛时，得到所述运维文件分类模型。

7.如权利要求1至6任一项所述的分类方法，其特征在于，所述目标运维文件包括多个子文件，所述聚类集合包括属于同种分类结果的子文件。

8.一种基于监督学习的分类装置，其特征在于，包括：

获取单元，用于获取待分类的运维文件；

提取单元，用于在所述运维文件中提取目标运维文件，所述目标运维文件的文件格式符合预设格式；

第一处理单元，用于将所述目标运维文件输入到已训练的运维文件分类模型中进行处理，得到所述目标运维文件对应的分类结果，所述运维文件分类模型是采用监督学习，基于支持向量机对样本训练集进行训练得到的；

第二处理单元，用于对所述分类结果进行聚类操作，得到聚类集合；

显示单元，用于根据所述聚类集合显示所述目标运维文件，以及所述目标运维文件对应的分类结果。

9.一种基于监督学习的分类设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。