在数据的;ず湍静共享历程中,分类分级是所有事情的前提。和记娱乐一直于数据分类分级领域不绝探索实践,沉淀出针对非结构化数据分类分级的AI模型。近期,技术团队突破立异,开创性地以数据宁静底座为支撑、以AI算法模型为驱动,推出全新基于NLP的无监督分类分级模型,并于数据宁静项目中乐成落地应用,守住数据宁静防护最前线。
常见分类分级方法应用局限
目今各企业内部均积累了大宗的非结构化文档,其中大部分为无标签数据。目前常见的无标签文档分类分级接纳的是正则表达式匹配方法,其处理流程是先通过人工检察部分非结构化文档,并总结出正则模式,然后对数据进行匹配,匹配乐成则划分到对应分类分级,匹配不乐成文档归类缺失。
可是这种处理方法有许多局限性:
??首先,企业积累的非结构化文档数量巨大,正则匹配只利用了少部分无标签数据资源,更多的正则模式没有被提取出来,笼罩率低;
??其次,随着非结构化文档的不绝积累,数据漫衍可能会泛起变革,初期开发的正则表达式不实时修改就会导致数据漏判和误判;
??别的,非结构化文档往往是具有多页、字符数量多的长文本,使用正则表达式对全文进行匹配效率低下。
非结构化数据自动分类分级技术计划
为破解古板正则表达式匹配方法的缺陷,为行业内提供更高精准度、更高效的非结构化文档分类分级方法,更敏捷地驱动数据防护,和记娱乐技术研发团队深入解构生成式人工智能、UEBA等各项前沿技术,将AI大模型与数据分类分级场景深度融合,沉淀出多个技术模型。
在历经多轮实验、多番能力验证后,和记娱乐在原有模型基础上拓展升级,迭代出更智能的非结构化数据自动分类分级要领,擘画数据宁静与AI技术融合生长新蓝图。
该方法的焦点是利用NLP技术有效结合无监督学习和监督学习模型,分阶段来实现对非结构化数据的分类分级。在初期阶段使用无监督学习模型,通过比照学习+聚类的方法对大宗的无标签样本进行分类分级,来累积初始的标签样本;之后通过监督学习模型来进一步提升整体分类分级的准确性。
在无监督学习环节,和记娱乐技术团队开发了“文本比照学习+KMeans聚类“的方法进行建模。
无监督比照学习模型自界说伪标签“文内幕似”和“文本不相似”来构建正负样本,把自己界说的伪标签看因素类信号来完成建模和训练。提取模型中间层的结果作为文本向量。接下来通过对文本向量进行聚类,从而完成无监督分类分级。
基于NLP的无监督分类分级模型技术优势
该要领设计了通用的文档解析器,可以快速对长文档抽取出主题概括。同时该要领搭载的基于NLP的无监督比照学习模型,是一种融合AI技术的无监督式文本向量抽取方法,实现的效果是在不监督数据的情况下生成高质量的句子向量。凭据实际运行数据,在GPU加速下,该要领能够在1秒以内完成对长文档分类分级。而正则表达式匹配方法则需10秒以上,效率提升90%.
该模型结构可以直接迁移到其他业务上:文档解析功效可以扩展到其他文档类型;模型在设计上各环节解耦,获取到文档向量后可以接纳多种方法进行分类分级,并不限于KMeans聚类;比照学习+聚类的结构可以应用在多个业务场景,使用对应的训练数据源即可。
未来,基于NLP的非结构化数据分类分级模型这类全新工具和新模型会不绝涌现,推动AI技术和数据宁静的融合立异,赋能数据分级分类应用技术进入一个新时代,为各行业带来更高效、更立异的数据宁静解决计划。和记娱乐将在技术落地性方面做出更多努力,增进AI+非结构化数据分类分级要领更大规模应用实践,精准识别数据价值、深度防护重点数据,护航数据宁静。