买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：山东瀚软信息技术有限公司

摘要：本发明涉及数据管理技术领域，具体涉及企业数据标准层次关系智能构建方法，包括以下步骤：S1：从企业内部各种数据源收集原始数据；S2：对S1中的数据进行清洗、标准化处理；S3：对数据进行深入分类，确保分类结果的准确性和细粒度；S4：动态构建和调整数据之间的层次关系；S5：通过预设的性能指标评估S4构建的数据层次结构；S6：将优化后的数据标准层次关系以标准化格式输出。本发明，通过引入深度学习技术和图卷积网络，实现了企业数据的智能化管理，提高了数据处理的效率和准确性，同时支持了数据结构的动态优化和企业决策制定，为企业提供了一套适应性强、支持数据治理和决策制定的高效数据管理解决方案。

主权项：1.企业数据标准层次关系智能构建方法，其特征在于，包括以下步骤：S1：通过数据接口技术，从企业内部各种数据源收集原始数据，并利用自然语言处理技术识别原始数据的内容和属性；S2：对S1中的数据进行清洗、标准化处理，并采用数据增强技术增加数据多样性；S3：利用改进的深度学习算法，基于S1识别的数据属性和S2增强的数据特征，对数据进行深入分类，确保分类结果的准确性和细粒度，所述改进的深度学习算法为卷积神经网络结合长短期记忆网络的结合，具体运用包括：S31：先使用卷积神经网络对S2步骤中增强的数据特征进行提取，卷积神经网络通过卷积层能自动学习到数据的局部特征，用于从图像、文本的数据中提取有效信息，具体设卷积神经网络的模型为：fCNNX；ΘCNN，其中，X表示输入的数据集，ΘCNN表示卷积神经网络模型的参数；S32：将S31中提取的特征输入到长短期记忆网络中进行序列化处理，长短期记忆网络能处理和记忆长序列中的信息，用于捕捉时间序列数据或文本数据中的长距离依赖，具体设长短期记忆网络的模型为：fLSTMY；ΘLSTM，其中，Y＝fCNNX；ΘCNN表示长短期记忆网络提取的特征，ΘLSTM表示长短期记忆网络模型的参数；S33：结合卷积神经网络和长短期记忆网络处理的数据特征，进行深入的数据分类，具体通过添加一个全连接层FC来实现，将序列化处理后的特征映射到具体的类别上，设分类函数为：fFCZ；ΘFC，其中，Z＝fLSTMY；ΘLSTM,ΘFC表示全连接层的参数；S34：通过训练过程调整模型参数ΘCNN,ΘLSTM，和ΘFC，具体使用交叉熵损失函数来衡量分类的准确性，并通过反向传播算法优化模型参数，以提高分类结果的准确性和细粒度；S4：基于图卷积网络模型，根据S3分类结果和数据间的关联，动态构建和调整数据之间的层次关系，具体包括：S41：构建数据关联图，基于S3分类结果和数据间的已知关联，构建数据关联图，其中节点代表数据项，边代表数据项之间的关联，数据项的关联将基于共享属性、相似性度量进行定义，具体构建数据关联图的过程包括：首先，基于S1识别的数据属性和S2增强的数据特征，每个数据项被视为图中的一个节点；然后，通过分析数据属性和特征来确定数据项之间的关联，该关联定义了节点之间的边，边的权重根据关联的强度或相似性度量来进行定义；S42：使用图卷积网络模型来处理数据关联图，图卷积网络模型能在图结构数据上学习节点的表示，基于每个节点及其邻居的信息，该图卷积网络模型的函数表示为：其中，其中A是根据S41构建的数据关联图的邻接矩阵，IN是单位矩阵，用于添加自连接，增强节点自身特征的表达，是的度矩阵，其元素表示节点i的度，Hl是第l层的节点特征矩阵，对于l＝0,H0是节点的初始特征矩阵，Wl和bl分别是第l层的权重矩阵和偏置向量，是通过训练学习得到的参数，σ是非线性激活函数；S43：利用经过图卷积网络模型处理后的节点表示，结合分类结果和节点的原始特征，通过层次聚类算法动态构建和调整数据项之间的层次关系；S5：通过预设的性能指标评估S4构建的数据层次结构，并根据性能指标评估的反馈，对层次关系进行持续优化；S6：将优化后的数据标准层次关系以标准化格式输出，并通过API接口集成到企业数据管理系统中，支持企业数据治理、分析和决策过程。

全文数据：

权利要求：

百度查询： 山东瀚软信息技术有限公司 企业数据标准层次关系智能构建方法